❝

我们创造了工具，然后工具塑造了我们。

❞

本篇文章分享下智谱GLM-4-9B-Chat模型的安装与使用，同时展示了下认知微调后的效果。

1 智谱 GLM-4-9B

GLM-4-9B 是智谱 AI 推出的最新一代预训练模型 GLM-4 系列中的开源版本。在语义、数学、推理、代码和知识等多方面的数据集测评中， GLM-4-9B 及其人类偏好对齐的版本 GLM-4-9B-Chat 均表现出超越 Llama-3-8B 的卓越性能。除了能进行多轮对话，GLM-4-9B-Chat 还具备网页浏览、代码执行、自定义工具调用（Function Call）和长文本推理（支持最大 128K 上下文）等高级功能。

2 GLM-4-9B-Chat 安装

这里使用腾讯云服务器进行安装部署，腾讯云搜索高性能应用服务，创建服务器选择AI框架，磁盘空间整个操作下来大概消耗了100GB，大家可以根据情况进行选择。

启动成功后登录密码会以站内信的方式发送给用户，另外注意（每次启动登录IP都会发生变化），这里直接选择在控制台登录选择JupyterLab面板

2.1 安装 git 环境

首先安装 git

apt install git   

安装 git-lfs 用于下载大文件

apt install git-lfs   

2.2 大模型下载

下载大模型glm-4-9b-chat，这里使用魔搭社区的仓库进行下载，文件较大下载会耗费点时间（总计接近20GB），机器磁盘需要预留足够的空间，整个操作下来磁盘使用了约100GB，空间不够的话下载会失败

git clone https://www.modelscope.cn/ZhipuAI/glm-4-9b-chat.git   

完成之后继续下载智谱官方封装的模型调用代码：

git clone https://github.com/THUDM/GLM-4.git   

这里官方提供了4个demo，每个demo下均有较详细的文档参考：

basic_demo 基础示例：提供了基础对话、训练后的模型加载及运行的例子。

composite_demo 综合示例：提供了网页浏览，函数调用例子。

finetune_demo 微调示例：这里提供的微调方式效率较低，我们不去使用。

intel_device_demo 量化运行示例：适合在内存较小的机器上运行，但会丢失精度。

2.3 运行环境配置

我们通过conda进行环境管，刚才选择的腾讯云AI框架环境已经安装了miniconda，所以无需在安装配置 conda， 执行以下命令新建一个 conda 环境并安装所需依赖。

#创建环境 glm4   conda create -n glm4 python=3.12      #安装Jupyter内核   ipython kernel install --name glm4 --user      #激活环境   conda activate glm4      #切换到GLM-4项目的basic_demo的目录   cd /GLM-4/basic_demo      #安装依赖basic_demo 环境下的依赖   pip install -r requirements.txt   

这里出现了依赖冲突问题，如下所示，我们将 requirements.txt 文件中的torch版本修改为torch==2.3.0，再次运行 pip install -r requirements.txt 安装成功。

ERROR: Cannot install -r requirements.txt (line 1) because these package versions have conflicting dependencies.      The conflict is caused by:       torch 2.4.0 depends on nvidia-cuda-runtime-cu12==12.1.105; platform_system == "Linux" and platform_machine == "x86_64"       torch 2.3.1 depends on nvidia-cuda-runtime-cu12==12.1.105; platform_system == "Linux" and platform_machine == "x86_64"       torch 2.3.0 depends on nvidia-cuda-runtime-cu12==12.1.105; platform_system == "Linux" and platform_machine == "x86_64"      To fix this you could try to:   1. loosen the range of package versions you've specified   2. remove package versions to allow pip attempt to solve the dependency conflict   

2.4 运行代码配置

我们直接使用 trans_web_demo.py 示例进行测试，这个代码可以加载刚才下载的模型，也可以加载后边微调后的模型。

1、修改模型路径

MODEL_PATH = os.environ.get('MODEL_PATH', 'THUDM/glm-4-9b-chat')   # 修改为   MODEL_PATH = os.environ.get('MODEL_PATH', '/root/glm-4-9b-chat')   

2、启动项目

python trans_web_demo.py   

出现一个错误和一个告警，稍加修改（官方示例更新的比较频繁，可能会遇到不同的问题，可以到官方仓库进行查询提问：https://github.com/THUDM/GLM-4/issues）：

错误：

from peft import AutoPeftModelForCausalLM, PeftModelForCausalLM   ModuleNotFoundError: No module named 'peft'   

修改错误

安装peft包：pip install peft

告警：

`/root/GLM-4/basic_demo/trans_web_demo.py:85: SyntaxWarning: invalid escape sequence '\`'     line = line.replace("`", "\`")   `

修改告警

trans_web_demo.py 78 行处

`line = line.replace("`", "\`")   # 修改为   line = line.replace("`", "\\`")   `

2.5 安装网络穿透工具

再次运行python trans_web_demo.py命令，模型加载成功，但是会出现下边的提示，frpc_linux_amd64_v0.2 是用来做内网穿透的，方便我们访问web 页面。

Could not create share link. Missing file: /root/miniconda3/envs/glm4/lib/python3.12/site-packages/gradio/frpc_linux_amd64_v0.2.       Please check your internet connection. This can happen if your antivirus software blocks the download of this file. You can install manually by following these steps:       1. Download this file: https://cdn-media.huggingface.co/frpc-gradio-0.2/frpc_linux_amd64   2. Rename the downloaded file to: frpc_linux_amd64_v0.2   3. Move the file to this location: /root/miniconda3/envs/glm4/lib/python3.12/site-packages/gradio   

我们手动安装下这个

1、下载frpc_linux_amd64文件，上传到服务器/root 目录下，重命名为 frpc_linux_amd64_v0.2

https://cdn-media.huggingface.co/frpc-gradio-0.2/frpc_linux_amd64   

2、安装 frpc_linux_amd64_v0.2

# 移动文件   mv frpc_linux_amd64_v0.2 /root/miniconda3/envs/glm4/lib/python3.12/site-packages/gradio/   # 添加权限   chmod +x /root/miniconda3/envs/glm4/lib/python3.12/site-packages/gradio/frpc_linux_amd64_v0.2   

3 启动模型

执行命令 python trans_web_demo.py 运行代码，初次加载会有点慢，看到这个临时链接就说明运行成功了。

到页面上测试下效果，至此我们的模型已经下载运行成功。

下篇文章我们分享下如何微调大模型的自我认知，让大模型回答我们自定义的名称和开发者，先来看下微调后的效果：

相关链接：

https://github.com/THUDM/GLM-4

https://www.modelscope.cn

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​