网站的种类传奇如何做网站
搭建一个本地中文大语言模型（LLM）涉及多个关键步骤，从选择模型底座，到运行机器和框架，再到具体的架构实现和训练方式。以下是一个详细的指南，帮助你从零开始构建和运行一个中文大语言模型。
本地离线模型搭建指南将按照以下四个部分展开
- 中文大语言模型底座选择依据
- 本地运行显卡选择
- RAG架构实现
- LLaMA-Factory训练框架及工具
3 RAG架构实现
3.1 什么是RAG
检索增强生成（Retrieval Augmented Generation, RAG） 是当前最热门的大语言模型（LLM）应用方案之一。RAG结合了信息检索和生成模型的优势，旨在增强生成式模型的知识覆盖和输出准确性。
3.2 为什么使用RAG
使用RAG的主要原因有以下几点：
- 知识的局限性：
- 现有的大模型（如ChatGPT、文心一言、通义千问等）的知识来源于它们的训练数据，这些数据主要是公开的网络数据。
- 对于一些实时性、非公开或离线的数据，大模型无法直接获取和使用。
- 幻觉问题：
- 大模型的输出基于数学概率，有时会出现“幻觉”——即生成看似合理但实际上错误的回答。
- 这种问题难以区分，尤其是在用户不具备相关领域知识的情况下。
- 数据安全性：
- 企业非常注重数据安全，不愿意将私有数据上传到第三方平台进行训练。
- 使用通用大模型可能会在数据安全和效果之间产生取舍。
RAG通过结合检索和生成的方式，能够有效解决上述问题。
3.3 RAG架构
RAG架构主要包括以下几个部分：
- 向量化：
- 将文本数据转化为向量矩阵，这个过程会直接影响后续检索的效果。
- 常见的embedding模型包括BERT、RoBERTa等，可以满足大部分需求。
- 对于特殊场景，可以选择微调现有的开源embedding模型，或直接训练适合自己场景的模型。
- 数据入库：
- 数据向量化后构建索引，并写入数据库。
- 适用于RAG场景的数据库包括FAISS、ChromaDB、Elasticsearch（ES）、Milvus等。
- 选择合适的数据库时，需要综合考虑业务场景、硬件和性能需求等因素。
- 检索模块：
- 在用户提出问题时，首先检索相关的文档或信息片段。
- 这些检索到的信息将作为生成模型的辅助输入。
- 生成模块：
- 利用检索到的信息和用户输入的问题，生成更加准确和相关的回答。
- 生成模型可以是预训练的大语言模型，如GPT-3等。
3.4 RAG的工作流程
- 用户输入问题。
- 检索模块从数据库中检索相关信息。
- 生成模块结合用户输入和检索到的信息生成答案。
- 返回生成的答案给用户。
通过这种方式，RAG不仅能利用大模型的强大生成能力，还能结合实时、私有的数据源，提供更加精准和安全的解决方案。
3.5 embedding模型链接
| 模型名称 | 描述 | 获取地址 |
|---|---|---|
| ChatGPT-Embedding | ChatGPT-Embedding由OpenAI公司提供，以接口形式调用。 | https://platform.openai.com/docs/guides/embeddings/what-are-embeddings |
| ERNIE-Embedding V1 | ERNIE-Embedding V1由百度公司提供，依赖于文心大模型能力，以接口形式调用。 | https://cloud.baidu.com/doc/WENXINWORKSHOP/s/alj562vvu |
| M3E | M3E是一款功能强大的开源Embedding模型，包含m3e-small、m3e-base、m3e-large等多个版本，支持微调和本地部署。 | https://huggingface.co/moka-ai/m3e-base |
| BGE | BGE由北京智源人工智能研究院发布，同样是一款功能强大的开源Embedding模型，包含了支持中文和英文的多个版本，同样支持微调和本地部署。 | https://huggingface.co/BAAI/bge-base-en-v1.5 |
更多详细信息和具体模型的链接，请访问
【关于NLP】那些你不知道的事
大模型RAG问答技术架构及核心模块：从Embedding、prompt-embedding到Reranker
RAG技术全解析：打造下一代智能问答系统
RAG 与微调在大模型应用中如何抉择