离线AI聊天清华大年夜模型ChatGLM3本地搭建

大模型本身清华的 (ChatGLM3)，为的是对中文支持友好，其余便是我也很看好它，毕竟一贯在优化自己的模型，提升模型的质量。

如果根本环境没有支配好可以参考我上篇文章《Ubuntu 22.04 Tesla V100s显卡驱动，CUDA，cuDNN，MiniCONDA3 环境的安装》。

项目地址

https://github.com/THUDM/ChatGLM3

大模型是很吃CPU和显卡的，以是，要不有一个好的CPU，要不有一块好的显卡，显卡只管即便13G+，内存基本要32GB+。

清华大模型分为三种(ChatGLM3-6B-Base，ChatGLM3-6B，ChatGLM3-6B-32K)

从上图也可以看到，ChatGLM3-6B-32K的话是最高配的模型，而ChatGLM3-6B-Base是最低配的模型。

一样平常会选择 ChatGLM3-6B普通模型来利用，当然，如果配置高，可以用32K的，会更好。

如果不能访问github，那么就不随意马虎下载资源了，紧张是资源也比较大，可以自己想办法。

很大略一句命令就下载下来了。

git clone https://github.com/THUDM/ChatGLM3

实行完，就下载完毕了

但是，默认里面是没有模型的，只有自带的大略的谈天项目以及干系的接口示例项目，还得连续下载模型。

当然，如果你自己不下载这些模型，这些模型就会在运行的时候自动下载(网络不好的话会影相应用体验，以是，建议提前下载)

模型下载供应了两个地址来下载，第一个不可以，那就选择第二个。

打开地址后，创造这个文件还挺大，而且还是 git项目的办法来进行展现的。

个中 LFS那种可以直接点击然后，保存的办法来下载，也可以用git命令来下载。

git lfs install

须要 git增加 lfs 的功能，才能直接下载这么大的文件

git clone https://huggingface.co/THUDM/chatglm3-6b

或者

git clone https://www.modelscope.cn/ZhipuAI/chatglm3-6b.git

下载完毕后，就有很多文件

看一下大小 11.6GB ，还挺大的

把下载的做事直接放到须要运行的地方 然后，实行上节的python 环境管理

conda create --name chatglm3 python=3.10conda activate chatglm3

然后，进入到主项目中，开始配置一些环境

cd ChatGLM3

第一步是要安装python 的依赖包

pip install -r requirements.txt -i https://mirror.sjtu.edu.cn/pypi/web/simple

它会自己安装一些依赖包，很快就安装完了

也可以查询自己安装了什么包

pip list //查看安装了什么包pip show openai // 查看包安装到了哪里

当然，我也是按照 README.md 里面的支配办法来支配的，详细以README.md为准。

可以看到，实际上我们可以运行8种案例。

1. 根本例子(cli_demo , web_demo_streamlit )

2. 综合例子(谈天，工具，代码阐明)

3. 根本模型微调

4. 谈天模型微调

5. 类似于langchain的案例

6. openai接口的案例

7. TensorRT-LLM推理支配

8. 工具调用

目前，只有第二种的综合例子，是比较有趣的，就以它为案例进行配置修正。

看到，这个demo下还有requirements.txt 文件，我们把他给安装了

pip install -r requirements.txt -i https://mirror.sjtu.edu.cn/pypi/web/simple

演示中利用 Code Interpreter 还须要安装 Jupyter 内核：

pip install ipykernel -i https://mirror.sjtu.edu.cn/pypi/web/simpleipython kernel install --name chatglm3 --user

接着修正client.py里面的配置信息

修正里面的模型地址为你的模型地址即可，我这边直接写了个绝对路径。

然后，实行以下命令启动做事

streamlit run main.py

正常情形下，掌握台会涌现以下信息

而网页会涌现以下信息

左侧就像OpenAI那种的参数细节的调度，右侧是三种不同的利用办法选择。

输入你是谁，它就输自动的输出信息，速率还挺快。

而掌握台也会显示你输入的信息以及返回的信息。

根据这个问题可以看到，这个模型，虽然对中文的支持度很高，但是，也掺杂一些英文信息。

工具模式，须要自己先定义工具，我这边没有定义，有兴趣的可以整一下。

以下是自带的工具进行的演示:

我调用了一个查询景象的工具(tool_registry.py) 文件可以看到 get_weather的代码

@register_tooldef get_weather( city_name: Annotated[str, 'The name of the city to be queried', True],) -> str: \公众\"大众\公众 Get the current weather for `city_name` \"大众\"大众\公众if not isinstance(city_name, str): raise TypeError(\"大众City name must be a string\"大众) key_selection = {\"大众current_condition\公众: [\"大众temp_C\"大众, \公众FeelsLikeC\"大众, \"大众humidity\公众, \"大众weatherDesc\公众, \"大众observation_time\"大众], } import requeststry: resp = requests.get(f\"大众https://wttr.in/{city_name}?format=j1\公众) resp.raise_for_status() resp = resp.json() ret = {k: {_v: resp[k][0][_v] for _v in v} for k, v in key_selection.items()} except: import traceback ret = \公众Error encountered while fetching weather data!\n\"大众 + traceback.format_exc()return str(ret)代码阐明器模式

我考试测验了良久也没有得到以下的效果。

可能是我的打开姿势不对，我只能获取这样的。

但是，给出的代码，还是很合理的，看着就能实行。

感兴趣的可以参考

https://zhipu-ai.feishu.cn/wiki/VdYWwcZfmiNBnlkwYf1cqytcngf非常:

如果没有修正配置就会涌现这个问题，当然，如果网络好的话，它会自己去安装。

至此 ChatGLM3就演示完了，效果还是不错的说。
比之前版本好太多了，我还会连续关注它的。

它也可以通过Web api的办法，自己搞个前端进行展现。

总体来讲，清华ChatGLM3-6B大模型对中文支持度还是蛮高的。

《清华ChatGLM3 ChatGLM3-6B 大模型》https://github.com/THUDM/ChatGLM3阅

一键三连呦！
，感谢大佬的支持，您的支持便是我的动力!