商业上免费的清华的 GLM -6B 和 GLM -2 - 6B 模型可用
发布时间：2023-07-15 11:26:30 所属栏目：动态 来源：
导读：基于智能与技术团队的密切合作以及清华大学Keg实验室的支持，我们已做出决定将ChatGLM-6B和ChatGLM2-6B模型的参数公开用于学术界，并且在完成企业登记获得授权后，允许免费商业使用，登记地址点此进入。
此前报道
此前报道
|
基于智能与技术团队的密切合作以及清华大学Keg实验室的支持，我们已做出决定将ChatGLM-6B和ChatGLM2-6B模型的参数公开用于学术界，并且在完成企业登记获得授权后，允许免费商业使用，登记地址点此进入。 此前报道，清华 NLP 团队于 3 月 14 日发布了中英双语对话模型 ChatGLM-6B，初具问答和对话功能。该模型基于 General Language Model（GLM）架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。 ChatGLM2-6B 模型于 6 月 25 日发布，在保留了初代模型对话流畅、部署门槛较低等特性的基础之上，又增加许多新特性： 更强大的性能：ChatGLM2-6B 使用了 GLM 的混合目标函数，经过了1.4T 中英标识符的预训练与人类偏好对齐训练，评测结果显示，相比于初代模型，ChatGLM2-6B 在 MMLU（+23%）、CEval（+33%）、GSM8K（+571%） 、BBH（+60%）等数据集上的性能取得了大幅度的提升。 更长的上下文：上下文长度由 ChatGLM-6B 的 2K 扩展到了 32K。 更高效的推理：其中的推理计算速度表现力相比初代数据包提升了 惊人的42%，INT4 模型的量化下，6G 显存支持的对话长度由 1K 提升到了 8K。 更开放的协议：ChatGLM2-6B 权重对学术研究完全开放。 ChatGLM2-6B 使用了 Multi-Query Attention，提高了生成速度，同时也降低了生成过程中 KV Cache 的显存占用。同时，ChatGLM2-6B 采用 Causal Mask 进行对话训练，连续对话时可复用前面轮次的 KV Cache，进一步优化了显存占用。此外，chatglm2-6b还支持自适应调整频率，以满足不同用户的需求。 （编辑：聊城站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
站长推荐
