营销网站定制的优势,百度问答库,seo网络排名优化技巧,视频网站如何做盗链不知道课程上到这里#xff0c;你账户里免费的5美元的额度还剩下多少了#xff1f;如果你尝试着完成我给的几个数据集里的思考题#xff0c;相信这个额度应该是不太够用的。而ChatCompletion的接口#xff0c;又需要传入大量的上下文信息#xff0c;实际消耗的Token数量其…不知道课程上到这里你账户里免费的5美元的额度还剩下多少了如果你尝试着完成我给的几个数据集里的思考题相信这个额度应该是不太够用的。而ChatCompletion的接口又需要传入大量的上下文信息实际消耗的Token数量其实比我们感觉的要多。
而且除了费用之外还有一个问题是数据安全。因为每个国家的数据监管要求不同并不是所有的数据都适合通过OpenAI的API来处理的。所以从这两个角度出发我们需要一个OpenAI以外的解决方案。那对于没有足够技术储备的中小型公司来说最可行的一个思路就是利用好开源的大语言模型。
在Colab里使用GPU
因为这一讲我们要使用一些开源模型但不是所有人的电脑里都有一个强劲的NVidia GPU的。所以我建议你通过Colab来运行对应的Notebook并且注意要把对应的运行环境设置成GPU。 你先选择菜单栏里的Runtime然后点击Change runtime type。 然后在弹出的对话框里把Hardware accelerator换成GPU然后点击Save就可以了。
只要用得不是太多Colab的GPU是可以免费使用的。
HuggingfaceEmbedding你的开源伙伴
其实我们之前在 第 4 讲 对比零样本分类效果的时候就已经使用过Google开源的模型T5了。那个模型的效果虽然比OpenAI的API还是要差一些但是其实90%的准确率也还算不错了。那么联想一下上一讲我们使用的llama-index向量搜索部分是不是可以用开源模型的Embedding给替换掉呢
当然是可以的llama-index支持你自己直接定义一个定制化的Embedding对应的代码我放在了下面。
conda install -c conda-forge sentence-transformers
注我们需要先安装一下sentence-transformers这个库。
import openai, os
import faiss
from llama_index import SimpleDirectoryReader, LangchainEmbedding, GPTFaissIndex, ServiceContext
from langchain.embeddings.huggingface import HuggingFaceEmbeddings
from langchain.text_splitter import CharacterTextSplitter
from llama_index.node_parser import SimpleNodeParseropenai.api_key text_splitter CharacterTextSplitter(separator\n\n, chunk_size100, chunk_overlap20)
parser SimpleNodeParser(text_splittertext_splitter)
documents SimpleDirectoryReader(./data/faq/).load_data()
nodes parser.get_nodes_from_documents(documents)embed_model LangchainEmbedding(HuggingFaceEmbeddings(model_namesentence-transformers/paraphrase-multilingual-mpnet-base-v2
))
service_context ServiceContext.from_defaults(embed_modelembed_model)dimension 768
faiss_index faiss.IndexFlatIP(dimension)
index GPTFaissIndex(nodesnodes,faiss_indexfaiss_index, service_contextservice_context)
输出结果
INFO:sentence_transformers.SentenceTransformer:Load pretrained SentenceTransformer: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
INFO:sentence_transformers.SentenceTransformer:Use pytorch device: cpu
WARNING:root:Created a chunk of size 130, which is longer than the specified 100
……
INFO:llama_index.token_counter.token_counter: [build_index_from_documents] Total LLM token usage: 0 tokens
INFO:llama_index.token_counter.token_counter: [build_index_from_documents] Total embedding token usage: 3198 tokens
在这个例子里面我们使用了一个面向电商的FAQ的纯文本文件作为输入。里面是一系列预设好的FAQ问答对。为了确保我们没有使用OpenAI的API我们先把openai.api_key给设成了一个空字符串。然后我们定义了一个embeded_model这个embeded_model里面我们包装的是一个HuggingFaceEmbeddings的类。
因为HuggingFace为基于transformers的模型定义了一个标准所以大部分模型你只需要传入一个模型名称HuggingFacebEmbedding这个类就会下载模型、加载模型并通过模型来计算你输入的文本的Embedding。使用HuggingFace的好处是你可以通过一套代码使用所有的transfomers类型的模型。
sentence-transformers 是目前效果最好的语义搜索类的模型它在BERT的基础上采用了对比学习的方式来区分文本语义的相似度它包括了一系列的预训练模型。我们在这里选用的是 sentence-transformers下面的 paraphrase-multilingual-mpnet-base-v2 模型。顾名思义这个是一个支持多语言multilingual并且能把语句和段落paraphrase变成向量的一个模型。因为我们给的示例都是中文所以选取了这个模型。你可以根据你要解决的实际问题来选取一个适合自己的模型。
我们还是使用Faiss这个库来作为我们的向量索引库所以需要指定一下向量的维度paraphrase-multilingual-mpnet-base-v2 这个模型的维度是768所以我们就把维度定义成768维。
相应的对文档的切分我们使用的是CharacterTextSplitter并且在参数上我们做了一些调整。
首先我们把“\n\n”这样两个连续的换行符作为一段段文本的分隔符因为我们的FAQ数据里每一个问答对都有一个空行隔开正好是连续两个换行。
然后我们把chunk_size设置得比较小只有100。这是因为我们所使用的开源模型是个小模型这样我们才能在单机加载起来。它能够支持的输入长度有限只有128个Token超出的部分会进行截断处理。如果我们不设置chunk_sizellama-index会自动合并多个chunk变成一个段落。
其次我们还增加了一个小小的参数叫做chunk_overlap。这个参数代表我们自动合并小的文本片段的时候可以接受多大程度的重叠。它的默认值是200超过了单段文档的chunk_size所以我们这里要把它设小一点不然程序会报错。
我们可以在对应的verbose日志里看到这里的Embedding使用了3198个Token不过这些Token都是我们通过sentence_transformers类型的开源模型计算的不需要花钱。你的成本就节约下来了。
在创建完整个索引之后我们就可以拿一些常见的电商类型的FAQ问题试一试。
问题1
from llama_index import QueryModeopenai.api_key os.environ.get(OPENAI_API_KEY)response index.query(请问你们海南能发货吗,modeQueryMode.EMBEDDING,verboseTrue,
)
print(response)
输出结果 Got node text: Q: 支持哪些省份配送
A: 我们支持全国大部分省份的配送包括北京、上海、天津、重庆、河北、山西、辽宁、吉林、黑龙江、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、海南、四川、贵州、云南、陕西、甘肃、青海、台湾、内蒙古、广西、西藏、宁夏和新疆...INFO:llama_index.token_counter.token_counter: [query] Total LLM token usage: 341 tokens
INFO:llama_index.token_counter.token_counter: [query] Total embedding token usage: 24 tokens是的我们支持海南省的配送。
问题2
response index.query(你们用哪些快递公司送货,modeQueryMode.EMBEDDING,verboseTrue,
)
print(response)
输出结果 Got node text: Q: 提供哪些快递公司的服务
A: 我们与顺丰速运、圆通速递、申通快递、韵达快递、中通快递、百世快递等多家知名快递公司合作。...
INFO:llama_index.token_counter.token_counter: [query] Total LLM token usage: 281 tokens
INFO:llama_index.token_counter.token_counter: [query] Total embedding token usage: 27 tokens我们与顺丰速运、圆通速递、申通快递、韵达快递、中通快递、百世快递等多家知名快递公司合作用他们的服务送货。
问题3
response index.query(你们的退货政策是怎么样的,modeQueryMode.EMBEDDING,verboseTrue,
)
print(response)
输出结果 Got node text: Q: 退货政策是什么
A: 自收到商品之日起7天内如产品未使用、包装完好您可以申请退货。某些特殊商品可能不支持退货请在购买前查看商品详情页面的退货政策。...
INFO:llama_index.token_counter.token_counter: [query] Total LLM token usage: 393 tokens
INFO:llama_index.token_counter.token_counter: [query] Total embedding token usage: 27 tokens我们的退货政策是自收到商品之日起7天内如产品未使用、包装完好您可以申请退货。某些特殊商品可能不支持退货请在购买前查看商品详情页面的退货政策。
我们在问问题的时候指定了query的mode是Embedding。通过三个常用的问题我们可以看到AI都给出了正确的回答效果还是不错的。
使用ChatGLM提供对话效果
通过上面的代码我们已经把生成Embedding以及利用Embedding的相似度进行搜索搞定了。但是我们在实际问答的过程中使用的还是OpenAI的Completion API。那么这一部分我们有没有办法也替换掉呢
同样的我们寻求开源模型的帮助。在这里我们就不妨来试一下来自清华大学的ChatGLM语言模型看看中文的开源语言模型是不是也有基本的知识理解和推理能力。
首先我们还是要安装一些依赖包因为icetk我没有找到Conda的源所以我们这里通过pip来安装但是在Conda的包管理器里一样能够看到。
pip install icetk
pip install cpm_kernels
然后我们还是先通过transformers来加载模型。 ChatGLM 最大的一个模型有1300亿个参数。
from transformers import AutoTokenizer, AutoModel
tokenizer AutoTokenizer.from_pretrained(THUDM/chatglm-6b-int4, trust_remote_codeTrue)
model AutoModel.from_pretrained(THUDM/chatglm-6b-int4, trust_remote_codeTrue).half().cuda()
model model.eval()
输出结果
Explicitly passing a revision is encouraged when loading a model with custom code to ensure no malicious code has been contributed in a newer revision.
Explicitly passing a revision is encouraged when loading a configuration with custom code to ensure no malicious code has been contributed in a newer revision.
Explicitly passing a revision is encouraged when loading a model with custom code to ensure no malicious code has been contributed in a newer revision.
No compiled kernel found.
Compiling kernels : /root/.cache/huggingface/modules/transformers_modules/THUDM/chatglm-6b-int4/dac03c3ac833dab2845a569a9b7f6ac4e8c5dc9b/quantization_kernels.c
Compiling gcc -O3 -fPIC -stdc99 /root/.cache/huggingface/modules/transformers_modules/THUDM/chatglm-6b-int4/dac03c3ac833dab2845a569a9b7f6ac4e8c5dc9b/quantization_kernels.c -shared -o /root/.cache/huggingface/modules/transformers_modules/THUDM/chatglm-6b-int4/dac03c3ac833dab2845a569a9b7f6ac4e8c5dc9b/quantization_kernels.so
Kernels compiled : /root/.cache/huggingface/modules/transformers_modules/THUDM/chatglm-6b-int4/dac03c3ac833dab2845a569a9b7f6ac4e8c5dc9b/quantization_kernels.so
Load kernel : /root/.cache/huggingface/modules/transformers_modules/THUDM/chatglm-6b-int4/dac03c3ac833dab2845a569a9b7f6ac4e8c5dc9b/quantization_kernels.so
Using quantization cache
Applying quantization to glm layers
但是这么大的模型无论是你自己的电脑还是Colab提供的GPU和TPU显然都放不了。所以我们只能选用一个裁剪后的60亿个参数的版本并且我们还必须用int-4量化的方式而不是用float16的浮点数。所以这里我们的模型名字就叫做 chatglm-6b-int4也就是 6B的参数量通过int-4量化。然后在这里我们希望通过GPU进行模型的计算所以加载模型的时候调用了.cuda()。
这里加载模型的时候我们还设置了一个 trust_remote_code true 的参数这是因为ChatGLM的模型不是一个Huggingface官方发布的模型而是由用户贡献的所以需要你显式确认你信任这个模型的代码它不会造成恶意的破坏。我们反正是在Colab里面运行这个代码所以倒是不用太担心。
如果你想要用CPU运行可以把模型加载的代码换成下面这样。
model AutoModel.from_pretrained(THUDM/chatglm-6b-int4,trust_remote_codeTrue).float()
不过我不建议你这么做。你没有GPU的话还是直接使用Colab的GPU就好了。因为CPU在运行对话的时候非常慢。
在拿到模型之后我们就可以尝试着通过这个模型来进行问答了。
问题1
question
自收到商品之日起7天内如产品未使用、包装完好您可以申请退货。某些特殊商品可能不支持退货请在购买前查看商品详情页面的退货政策。根据以上信息请回答下面的问题Q: 你们的退货政策是怎么样的response, history model.chat(tokenizer, question, history[])
print(response)
输出结果
我们的退货政策是在产品未使用、包装完好的情况下自收到商品之日起7天内可以退货。请注意某些特殊商品可能不支持退货在购买前请查看商品详情页面的退货政策以了解具体情况。
可以看到ChatGLM的回答的确是按照我们提示语里面有的上下文给出的。我们可以试着去掉提供的FAQ的内容看看它的回答是怎样的。
问题2
question
Q: 你们的退货政策是怎么样的
A:response, history model.chat(tokenizer, question, history[])
print(response)
输出结果
我们公司的政策是如果您在购买后的7天内发现我们的产品不符合您的期望可以申请退货。退货条件如下
1. 符合退货政策要求的产品
2. 未使用或损坏的产品
3. 符合退货地点的要求即退货地址与购买地址相同
4. 符合退货流程的要求即您需要提供有效的退货单并完成退货流程。
如果符合上述退货政策要求我们将尽快处理您的退货申请并为您退款。请注意如果您已经使用了我们的产品或者产品有损坏或变质等情况我们将无法为您提供退货服务。
可以看到在没有合适的上下文信息的时候它编造出了一些原本没有的要求比如“退货地址与购买地址相同”。
我们再来看一个例子看看它能不能拥有简单的推理能力。我们的上下文里只说了可以送到海南没有说是否支持三亚这个城市看看这个时候AI能不能回答对这个问题。
问题3
question
我们支持全国大部分省份的配送包括北京、上海、天津、重庆、河北、山西、辽宁、吉林、黑龙江、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、海南、四川、贵州、云南、陕西、甘肃、青海、台湾、内蒙古、广西、西藏、宁夏和新疆.根据以上信息请回答下面的问题Q: 你们能配送到三亚吗response, history model.chat(tokenizer, question, history[])
print(response)
输出结果
是的我们支持全国大部分省份的配送包括三亚市。
可以看到ChatGLM知道是可以配送到三亚的。不过万一是巧合呢我们再看看在上下文里面去掉了东三省然后问问它能不能送到哈尔滨。
问题4
question
我们支持全国大部分省份的配送包括北京、上海、天津、重庆、河北、山西、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、海南、四川、贵州、云南、陕西、甘肃、青海、台湾、内蒙古、广西、西藏、宁夏和新疆.但是不能配送到东三省根据以上信息请回答下面的问题Q: 你们能配送到哈尔滨吗response, history model.chat(tokenizer, question, history[])
print(response)
回答
很抱歉我们目前不能配送到哈尔滨。
结果也是正确的这个时候ChatGLM会回答我们是送不到哈尔滨的。既然ChatGLM能够正确回答这个问题那我们的FAQ问答就可以用ChatGLM来搞定了。
将ChatGLM封装成LLM
不过上面的代码里面我们用的还是原始的ChatGLM的模型代码还不能直接通过query来访问llama-index直接得到答案。要做到这一点倒也不难我们把它封装成一个LLM类让我们的index使用这个指定的大语言模型就好了。对应的 llama-index 的文档你也可以自己去看一下。
import openai, os
import faiss
from llama_index import SimpleDirectoryReader, LangchainEmbedding, GPTFaissIndex, ServiceContext
from langchain.embeddings.huggingface import HuggingFaceEmbeddings
from langchain.text_splitter import CharacterTextSplitter
from llama_index.node_parser import SimpleNodeParserfrom langchain.llms.base import LLM
from llama_index import LLMPredictor
from typing import Optional, List, Mapping, Anyclass CustomLLM(LLM):def _call(self, prompt: str, stop: Optional[List[str]] None) - str:response, history model.chat(tokenizer, prompt, history[])return responsepropertydef _identifying_params(self) - Mapping[str, Any]:return {name_of_model: chatglm-6b-int4}propertydef _llm_type(self) - str:return custom
我们把这个CustomLLM对象传入index的构造函数里重新运行一下我们的问题看看效果是怎样的。
from langchain.text_splitter import SpacyTextSplitterllm_predictor LLMPredictor(llmCustomLLM())text_splitter CharacterTextSplitter(separator\n\n, chunk_size100, chunk_overlap20)
parser SimpleNodeParser(text_splittertext_splitter)
documents SimpleDirectoryReader(./drive/MyDrive/colab_data/faq/).load_data()
nodes parser.get_nodes_from_documents(documents)embed_model LangchainEmbedding(HuggingFaceEmbeddings(model_namesentence-transformers/paraphrase-multilingual-mpnet-base-v2
))
service_context ServiceContext.from_defaults(embed_modelembed_model, llm_predictorllm_predictor)dimension 768
faiss_index faiss.IndexFlatIP(dimension)
index GPTFaissIndex(nodesnodes, faiss_indexfaiss_index, service_contextservice_context)
from llama_index import QuestionAnswerPrompt
from llama_index import QueryModeQA_PROMPT_TMPL ({context_str}\n\n根据以上信息请回答下面的问题\nQ: {query_str}\n)
QA_PROMPT QuestionAnswerPrompt(QA_PROMPT_TMPL)response index.query(请问你们海南能发货吗,modeQueryMode.EMBEDDING,text_qa_templateQA_PROMPT,verboseTrue,
)
print(response)
输出结果 Got node text: Q: 支持哪些省份配送
A: 我们支持全国大部分省份的配送包括北京、上海、天津、重庆、河北、山西、辽宁、吉林、黑龙江、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、海南、四川、贵州、云南、陕西、甘肃、青海、台湾、内蒙古、广西、西藏、宁夏和新疆...海南能发货。
可以看到这样处理之后我们就可以直接使用ChatGLM的模型来进行我们的FAQ的问答了。
现在我们有了一个通过paraphrase-multilingual-mpnet-base-v2模型来计算Embeddding并进行语义搜索然后通过chatglm-6b-int4的模型来进行问答的解决方案了。而且这两个模型可以跑在一块家用级别的显卡上。是不是很厉害
开源模型的不足之处
看起来我们这个本机就能运行的小模型似乎已经完成了。数据安全又不用担心花费。但显然事情没有那么简单。因为刚才我们处理的电商FAQ问题比较简单我们再拿一个稍微复杂一点的问题来看看效果。
text_splitter SpacyTextSplitter(pipelinezh_core_web_sm, chunk_size 128, chunk_overlap32)
parser SimpleNodeParser(text_splittertext_splitter)
documents SimpleDirectoryReader(./drive/MyDrive/colab_data/zhaohuaxishi/).load_data()
nodes parser.get_nodes_from_documents(documents)embed_model LangchainEmbedding(HuggingFaceEmbeddings(model_namesentence-transformers/paraphrase-multilingual-mpnet-base-v2
))
service_context ServiceContext.from_defaults(embed_modelembed_model, llm_predictorllm_predictor)dimension 768
faiss_index faiss.IndexFlatIP(dimension)
index GPTFaissIndex(nodesnodes, faiss_indexfaiss_index, service_contextservice_context)
输出结果
INFO:sentence_transformers.SentenceTransformer:Load pretrained SentenceTransformer: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
INFO:sentence_transformers.SentenceTransformer:Use pytorch device: cpu
……
INFO:llama_index.token_counter.token_counter: [build_index_from_documents] Total LLM token usage: 0 tokens
INFO:llama_index.token_counter.token_counter: [build_index_from_documents] Total embedding token usage: 91882 tokens
这一次我们输入索引起来的数据是鲁迅先生整套《朝花夕拾》的散文集。选用这个是因为对应作品的版权已经过了保护期。我们来看看在这套文集的内容里面使用我们上面的纯开源方案效果会是怎样的。
对应的模型和索引加载的代码基本一致只有一个小小的区别就是在文本分割的时候我们用了上一讲介绍过的SpacyTextSplitter因为这里都是散文的内容而不是确定好格式的QA对。所以通过SpacyTextSplitter来分句并在允许的时候合并小的片段是有意义的。
然后我们试着问一下上一讲我们问过的问题看看效果怎么样。
问题1
# query will use the same embed_model
from llama_index import QueryMode
from llama_index import QuestionAnswerPromptopenai.api_key os.environ.get(OPENAI_API_KEY)QA_PROMPT_TMPL (下面的内容来自鲁迅先生的散文集《朝花夕拾》很多内容是以第一人称写的 \n---------------------\n{context_str}\n---------------------\n根据这些信息请回答问题: {query_str}\n如果您不知道的话请回答不知道\n
)
QA_PROMPT QuestionAnswerPrompt(QA_PROMPT_TMPL)response index.query(鲁迅先生在日本学习医学的老师是谁,modeQueryMode.EMBEDDING,similarity_top_k 1,text_qa_templateQA_PROMPT,verboseTrue,
)
print(response)
输出结果 Got node text: 一将书放在讲台上便用了缓慢而很有顿挫的声调向学生介绍自己道——“我就是叫作藤野严九郎的……。”后面有几个人笑起来了。
他接着便讲述解剖学在日本发达的历史那些大大小小的书便是从最初到现今关于这一门学问的著作。...鲁迅先生在日本学习医学的老师是藤野严九郎。
问题2
response index.query(鲁迅先生是在日本的哪个城市学习医学的,modeQueryMode.EMBEDDING,similarity_top_k 1,text_qa_templateQA_PROMPT,verboseTrue,
)
print(response)
输出结果 Got node text: 有时我常常想他的对于我的热心的希望不倦的教诲小而言之是为中国就是希望中国有新的医学大而言之是为学术就是希望新的医学传到中国去。...根据这些信息无法得出鲁迅先生是在日本的哪个城市学习医学的答案。
可以看到有些问题在这个模式下定位到的文本片段是正确的。但是有些问题虽然定位的还算是一个相关的片段但是的确无法得出答案。
在这个过程中我们可以观察到这样一个问题 那就是单机的开源小模型能够承载的文本输入的长度问题。在我们使用OpenAI的gpt-3.5-turbo模型的时候我们最长支持4096个Token也就是一个文本片段可以放上上千字在里面。但是我们这里单机用的paraphrase-multilingual-mpnet-base-v2模型只能支持128个Token的输入虽然对应的Tokenizer不一样但是就算一个字一个Token也就100个字而已。这使得我们检索出来的内容的上下文太少了很多时候没有足够的信息让语言模型去回答。
当然这个问题并不是无法弥补的。我们可以通过把更大规模的模型部署到云端来解决。这个内容我们课程的第三部分专门有一讲会讲解。
不过有一个更难解决的问题就是模型的推理能力问题。比如我们可以再试试 第 1 讲 里给商品总结英文名称和卖点的例子。
question Consideration proudct : 工厂现货PVC充气青蛙夜市地摊热卖充气玩具发光蛙儿童水上玩具1. Compose human readale product title used on Amazon in english within 20 words.
2. Write 5 selling points for the products in Amazon.
3. Evaluate a price range for this product in U.S.Output the result in json format with three properties called title, selling_points and price_range
response, history model.chat(tokenizer, question, history[])
print(response)
输出结果
1. title: 充气玩具青蛙夜市地摊卖
2. selling_points:- 工厂现货保证产品质量- PVC充气环保耐用- 夜市地摊方便销售- 热卖最受欢迎产品- 儿童水上玩具适合各种年龄段儿童
3. price_range: (in USD)- low: $1.99- high: $5.99
可以看到虽然这个结果不算太离谱多少和问题还是有些关系的。但是无论是翻译成英文还是使用JSON返回模型都没有做到。给到的卖点也没有任何“推理出来”的性质都是简单地对标题的重复描述。即使你部署一个更大版本的模型到云端也好不到哪里去。
这也是ChatGPT让人震撼的原因的确目前它的效果还是要远远超出任何一个竞争对手和开源项目的。
小结
好了最后我们来回顾一下。这一讲里我们一起尝试用开源模型来代替ChatGPT。我们通过sentence_transfomers类型的模型生成了文本分片的Embedding并且基于这个Embedding来进行语义检索。我们通过 ChatGLM 这个开源模型实现了基于上下文提示语的问答。在简单的电商QA这样的场景里效果也还是不错的。即使我们使用的都是单机小模型它也能正确回答出来。这些方法也能节约我们的成本。不用把钱都交给OpenAI可以攒着买显卡来训练自己的模型。
但是当我们需要解决更加复杂的问题时比如需要更长的上下文信息或者需要模型本身更强的推理能力的时候这样的小模型就远远不够用了。更长的上下文信息检索我们还能够通过在云端部署更大规模的模型解决部分问题。但是模型的推理能力目前的确没有好的解决方案。
所以不得不佩服OpenAI的在AGI这个目标上耕耘多年后震惊世人的效果。
运维干货分享
软考高级系统架构设计师备考学习资料软考中级数据库系统工程师学习资料软考高级网络规划设计师备考学习资料Kubernetes CKA认证学习资料分享AI大模型学习资料合集免费文档翻译工具(支持word、pdf、ppt、excel)PuTTY中文版安装包MobaXterm中文版安装包pinginfoview网络诊断工具中文版Xshell、Xsftp、Xmanager中文版安装包Typora简单易用的Markdown编辑器Window进程监控工具能自动重启进程和卡死检测Spring 源码学习资料分享毕业设计高质量毕业答辩 PPT 模板分享IT行业工程师面试简历模板分享
