一，说明

Github 代码：https://github.com/THUDM/ChatGLM3
模型地址：
huggingface：https://huggingface.co/THUDM/chatglm3-6b
modelscope：https://modelscope.cn/models/ZhipuAI/chatglm3-6b/summary

二、前言

1. 背景

智谱AI于27日论坛上推出了全自研的第三代基座大模型ChatGLM3及相关系列产品，这也是智谱AI继推出千亿基座的对话模型ChatGLM和ChatGLM2之后的又一次重大突破。

2. 系统说明

CUDA 11.7
Python 3.10
pytorch 2.0.1

3. 相比于ChatGLM2-6B进行的 性能升级

ChatGLM3 是智谱AI和清华大学 KEG 实验室联合发布的新一代对话预训练模型。ChatGLM3-6B 是 ChatGLM3 系列中的开源模型，在保留了前两代模型对话流畅、部署门槛低等众多优秀特性的基础上，ChatGLM3-6B 引入了如下特性：

1. 更强大的基础模型： ChatGLM3-6B 的基础模型 ChatGLM3-6B-Base 采用了更多样的训练数据、更充分的训练步数和更合理的训练策略。在语义、数学、推理、代码、知识等不同角度的数据集上测评显示，ChatGLM3-6B-Base 具有在 10B 以下的基础模型中最强的性能。
2. 更完整的功能支持： ChatGLM3-6B 采用了全新设计的 Prompt 格式，除正常的多轮对话外。同时原生支持工具调用（Function Call）、代码执行（Code Interpreter）和 Agent 任务等复杂场景。
3. 更全面的开源序列： 除了对话模型 ChatGLM3-6B 外，还开源了基础模型 ChatGLM3-6B-Base、长文本对话模型 ChatGLM3-6B-32K。以上所有权重对学术研究完全开放，在填写问卷进行登记后亦允许免费商业使用。

4. 模型列表

三、环境搭建

模型的常见下载方法

1. 下载代码

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

2 构建环境

$ conda create -n py310_chat python=3.10       # 创建新环境
$ source activate py310_chat                   # 激活环境

3 安装依赖

$ pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

!! 注：其中 transformers 库版本推荐为 4.30.2，torch 推荐使用 2.0 及以上的版本，以获得最佳的推理性能。

4. 大模型下载方式

4.1 安装 lfs 方便本地下载 ChatGLM2-6B 大模型

从 Hugging Face Hub 下载模型实现和参数 到本地，后期使用 只需要 从本地下载即可。

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

!! 注：模型的实现仍然处在变动中。如果希望固定使用的模型实现以保证兼容性，可以在 from_pretrained 的调用中增加 revision="v1.0" 参数。v1.0 是当前最新的版本号，完整的版本列表参见 Change Log。

4.2 Hmodelscop 上手动下载模型及其文件 【推荐】

1. 安装 modelscope
   $ pip install modelscope
2. 使用 modelscope 下载 Chatglm3

# 从modelscope上下载模型
from modelscope.hub.snapshot_download import snapshot_download

model_dir = snapshot_download('THUDM/chatglm3-6b', cache_dir='./model', revision='master')
如果你网速很好，下载就很快，如果是kb/s，那么大文件下载会失败。 

4.3 Huggingface的镜像网站下载

镜像：https://hf-mirror.com/THUDM

!! 优点：网速很快，公司运维有测到4M/s，非常推荐用这个网站直接下载

四、模型推理

可以通过如下代码调用 ChatGLM 模型来生成对话：

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm3-6b", trust_remote_code=True)
model = AutoModel.from_pretrained("THUDM/chatglm3-6b", trust_remote_code=True, device='cuda')
model = model.eval()
response, history = model.chat(tokenizer, "你好", history=[])
print(response)
>>>
晚上睡不着可能会让你感到焦虑或不舒服,但以下是一些可以帮助你入睡的方法:

你好👋!我是人工智能助手 ChatGLM3-6B,很高兴见到你,欢迎问我任何问题。
response, history = model.chat(tokenizer, "晚上睡不着应该怎么办", history=history)
print(response)
>>>
1. 制定规律的睡眠时间表:保持规律的睡眠时间表可以帮助你建立健康的睡眠习惯,使你更容易入睡。尽量在每天的相同时间上床,并在同一时间起床。
2. 创造一个舒适的睡眠环境:确保睡眠环境舒适,安静,黑暗且温度适宜。可以使用舒适的床上用品,并保持房间通风。
3. 放松身心:在睡前做些放松的活动,例如泡个热水澡,听些轻柔的音乐,阅读一些有趣的书籍等,有助于缓解紧张和焦虑,使你更容易入睡。
4. 避免饮用含有咖啡因的饮料:咖啡因是一种刺激性物质,会影响你的睡眠质量。尽量避免在睡前饮用含有咖啡因的饮料,例如咖啡,茶和可乐。
5. 避免在床上做与睡眠无关的事情:在床上做些与睡眠无关的事情,例如看电影,玩游戏或工作等,可能会干扰你的睡眠。
6. 尝试呼吸技巧:深呼吸是一种放松技巧,可以帮助你缓解紧张和焦虑,使你更容易入睡。试着慢慢吸气,保持几秒钟,然后缓慢呼气。

如果这些方法无法帮助你入睡,你可以考虑咨询医生或睡眠专家,寻求进一步的建议。

!! 注：以上代码会由 transformers 自动下载模型实现和参数。完整的模型实现在 Hugging Face Hub。如果你的网络环境较差，下载模型参数可能会花费较长时间甚至失败。此时可以先将模型下载到本地，然后从本地加载。【参考：2.4 大模型下载方式】

五、网页版本推理

官方示例

六、命令行 Demo

1. 运行仓库中 cli_demo.py：

   $ python cli_demo.py

2. 输出

 欢迎使用 ChatGLM3 模型，输入内容即可进行对话，clear 清空对话历史，stop 终止程序
    用户：你好
    ChatGLM：你好👋！我是人工智能助手 ChatGLM3，很高兴见到你，欢迎问我任何问题。
    用户：晚上睡不着应该怎么办
    ChatGLM：抱歉，作为一个人工智能助手，我没有能力判断你的睡眠质量。但是，关于睡眠问题，我可以给你一些建议。
    1. 晚上在睡觉前 2-3 小时避免喝咖啡、茶和碳酸饮料，因为这些饮料中含有的咖啡因会让大脑更加兴奋，难以入睡。
    2. 睡前避免使用电子设备，如手机、电脑等。这些设备会发出蓝光，会影响睡眠质量。
    3. 改变睡眠环境，保持舒适的温度，以帮助更容易入睡。
    4. 尝试放松技巧，如深呼吸、瑜伽或冥想，缓解压力和焦虑，有助于入睡。
    5. 如果躺在床上 20 分钟后仍然无法入睡，不要继续躺在床上，而是起床做些轻松的活动，如读书或听轻柔的音乐，直到感到困倦再返回床上。

如果你有严重的睡眠问题，建议咨询医生或专业的医学机构进行诊断和治疗。

!! 注：程序会在命令行中进行交互式的对话，在命令行中输入指示并回车即可生成回复，输入 clear 可以清空对话历史，输入 stop 终止程序。

七、API 部署

1. 安装额外的依赖 fastapi uvicorn
   $ pip install fastapi uvicorn
2. 运行 api 接口
   $ python api.py
3. 使用

#默认部署在本地的 8000 端口，通过 POST 方法进行调用

curl -X POST "http://127.0.0.1:8000" \
     -H 'Content-Type: application/json' \
     -d '{"prompt": "你好", "history": []}'
#得到的返回值为

{
  "response":"你好👋！我是人工智能助手 ChatGLM3，很高兴见到你，欢迎问我任何问题。",
  "history":[["你好","你好👋！我是人工智能助手 ChatGLM3，很高兴见到你，欢迎问我任何问题。"]],
  "status":200,
  "time":"2023-03-23 21:38:40"
}

八、评测结果

1. 我们选取了 8 个中英文典型数据集，在 ChatGLM3-6B (base) 版本上进行了性能测试。

Best Baseline 指的是模型参数在 10B 以下、在对应数据集上表现最好的预训练模型，不包括只针对某一项任务训练而未保持通用能力的模型。

对 ChatGLM3-6B-Base 的测试中，BBH 采用 3-shot 测试，需要推理的 GSM8K、MATH 采用 0-shot CoT 测试，MBPP 采用 0-shot 生成后运行测例计算 Pass@1 ，其他选择题类型数据集均采用 0-shot 测试。

2. 我们在多个长文本应用场景下对 ChatGLM3-6B-32K 进行了人工评估测试。与二代模型相比，其效果平均提升了超过 50%。在论文阅读、文档摘要和财报分析等应用中，这种提升尤为显著。此外，我们还在 LongBench 评测集上对模型进行了测试，具体结果如下表所示

九、问题补充

1. 模型量化
   默认情况下，模型以 FP16 精度加载，运行上述代码需要大概 13GB 显存。如果你的 GPU 显存有限，可以尝试以量化方式加载模型，使用方法如下：

model = AutoModel.from_pretrained("THUDM/chatglm3-6b",trust_remote_code=True).quantize(4).cuda()

模型量化会带来一定的性能损失，经过测试，ChatGLM3-6B 在 4-bit 量化下仍然能够进行自然流畅的生成。

2. CPU 部署
   如果你没有 GPU 硬件的话，也可以在 CPU 上进行推理，但是推理速度会更慢。使用方法如下（需要大概 32GB 内存）

model = AutoModel.from_pretrained("THUDM/chatglm3-6b", trust_remote_code=True).float()

3. Mac 部署
   对于搭载了 Apple Silicon 或者 AMD GPU 的 Mac，可以使用 MPS 后端来在 GPU 上运行 ChatGLM3-6B。需要参考 Apple 的 官方说明 安装 PyTorch-Nightly（正确的版本号应该是2.x.x.dev2023xxxx，而不是 2.x.x）。

目前在 MacOS 上只支持从本地加载模型。将代码中的模型加载改为从本地加载，并使用 mps 后端：

model = AutoModel.from_pretrained("your local path", trust_remote_code=True).to('mps')

加载半精度的 ChatGLM3-6B 模型需要大概 13GB 内存。内存较小的机器（比如 16GB 内存的 MacBook Pro），在空余内存不足的情况下会使用硬盘上的虚拟内存，导致推理速度严重变慢。

4. 多卡部署
   如果你有多张 GPU，但是每张 GPU 的显存大小都不足以容纳完整的模型，那么可以将模型切分在多张GPU上。首先安装 accelerate: pip install accelerate，然后通过如下方法加载模型：

from utils import load_model_on_gpus
model = load_model_on_gpus("THUDM/chatglm3-6b", num_gpus=2)

即可将模型部署到两张 GPU 上进行推理。你可以将 num_gpus 改为你希望使用的 GPU 数。默认是均匀切分的，你也可以传入 device_map 参数来自己指定。

5. 参考
   THUDM/ChatGLM3：https://github.com/THUDM/ChatGLM3
   huggingface：https://huggingface.co/THUDM/chatglm3-6b
   modelscope：https://modelscope.cn/models/ZhipuAI/chatglm3-6b/summary