生成式AI概览与详解

1. 生成式AI概览：什么是大模型，大模型应用场景（文生文，多模态）

生成式AI（Generative AI）是指通过机器学习模型生成新的数据或内容的人工智能技术。生成式AI可以生成文本、图像、音频、视频等多种形式的数据，广泛应用于内容创作、数据增强、自动化生成等领域。
大模型（Large Model）是指具有大量参数和复杂结构的深度学习模型。大模型通常基于深度神经网络，特别是Transformer架构，通过在大规模数据集上进行训练，能够捕捉复杂的模式和关系。大模型的代表包括 GPT-3、BERT、T5、DALL-E 等。
超大参数自然语言模型+对话交互=生成式AI
大模型参数指的是机器学习模型中的参数，这些参数决定了模型的复杂度和性能。参数越多，模型越复杂，能够拟合的数据也就越多，但同时也需要更多的训练数据和计算资源。
主流参数单位表示

a. M：百万，1M(million)

b. B：十亿，1B(billion)

c. T：万亿，1T(trillion)

d. 例子

i. GPT-3模型参数量为1750亿，即1.75T参数。

ii. 百度文心大模型ERNIE 3.0的参数量为2600亿，即2.6T参数。
参数量与模型性能

a. 一般来说，参数量越多，模型的性能越好，但同时也需要更多的训练数据和计算资源。因此，在实际应用中，需要根据具体场景和需求来选择合适的模型参数量。
参数量的未来趋势

a. 随着人工智能技术的不断发展，大模型参数量将会继续增长。未来，参数量达到百亿、千亿甚至万亿级别的大模型将会越来越普遍。
大语言模型代码文件解析

a. .gitignore ：是一个纯文本文件，包含了项目中所有指定的文件和文件夹的列表，这些文件和文件夹是Git应该忽略和不追踪的

b. MODEL_LICENSE：模型商用许可文件

c. REDAME.md：略

d. config.json：模型配置文件，包含了模型的各种参数设置，例如层数、隐藏层大小、注意力头数及Transformers API的调用关系等，用于加载、配置和使用预训练模型。

e. configuration_chatglm.py：是该config.json文件的类表现形式，模型配置的Python类代码文件，定义了用于配置模型的 ChatGLMConfig 类。

f. modeling_chatglm.py：源码文件，ChatGLM对话模型的所有源码细节都在该文件中，定义了模型的结构和前向传播过程，例如 ChatGLMForConditionalGeneration 类。

g. model-XXXXX-of-XXXXX.safetensors：安全张量文件，保存了模型的权重信息。这个文件通常是 TensorFlow 模型的权重文件。

h. model.safetensors.index.json：模型权重索引文件，提供了 safetensors 文件的索引信息。

i. pytorch_model-XXXXX-of-XXXXX.bin：PyTorch模型权重文件，保存了模型的权重信息。这个文件通常是 PyTorch模型的权重文件。

j. pytorch_model.bin.index.json：PyTorch模型权重索引文件，提供了 bin 文件的索引信息。

k. quantization.py：量化代码文件，包含了模型量化的相关代码。

l. special_tokens_map.json：特殊标记映射文件，用于指定特殊标记（如起始标记、终止标记等）的映射关系。

m. tokenization_chatglm.py：分词器的Python类代码文件，用于chatglm3-6b模型的分词器，它是加载和使用模型的必要部分，定义了用于分词的 ChatGLMTokenizer 类。

n. tokenizer.model：包含了训练好的分词模型，保存了分词器的模型信息，用于将输入文本转换为标记序列；通常是二进制文件，使用pickle或其他序列化工具进行存储和读取。

o. tokenizer_config.json：含了分词模型的配置信息，用于指定分词模型的超参数和其他相关信息，例如分词器的类型、词汇表大小、最大序列长度、特殊标记等

p. LFS：Large File Storage，大文件存储
.safetensors格式文件是huggingface设计的一种新格式，大致就是以更加紧凑、跨框架的方式存储Dict[str, Tensor]，主要存储的内容为tensor的名字（字符串）及内容（权重）。
鉴于大型语言模型（LLM）的解释性较差问题，我们需要开发相应复杂的评估方法，和优化手段。
如何训练出一个大语言模型？

a. 从互联网上爬取10TB text文本

b. 用6000张GPU训练12天，花费200万美元，总算力是1*1024次方浮点运算每秒

c. 你最终得到一个140GB的zip压缩文件

d. 这个就是Llama 2 70B模型的训练过程
开源模型数据集数据来源于网页、社交网络对话内容、书籍、新闻、科学数据、代码
大模型的参数量越大，应用范围越广

a. 8B问答、语言理解

b. 10B以上有涌现能力

c. 62B问答、语言理解、代码补全、文本总结、翻译、感知解释

d. 540B问答、语言理解、代码补全、文本总结、翻译、感知解释、通用知识理解、阅读总结、图案识别、智能对话、笑话解读、常识理解
文生文是指通过大模型生成文本内容的应用场景。大模型在文生文任务中表现出色，能够生成连贯、自然的文本内容。
多模态生成是指通过大模型生成多种形式的数据或内容的应用场景。大模型在多模态生成任务中表现出色，能够生成图像、音频、视频等多种形式的内容
语言模型——大模型的前身
Transformer架构划时代地提升了NLP效果——传统NLP的努力

a. Transformer（2017，谷歌）是一种用于自然语言处理的神经网络模型，使用了一种“注意力机制”的技术，能够更好地捕捉序列中的关键信息，提高模型性能。是当前对序列文本建模的SOTA基础模型架构，可以有效考虑上下文关联。

b. 注意力（attention）机制：让模型在处理序列数据时，更加关注与当前任务相关的部分，而忽略与任务无关的部分。计算输入序列中每个位置与当前位置的相关性，然后根据相关性对输入序列进行加权求和，得到当前位置的表示。
GPT 使用 Transformer 的 Decoder 结构，并对 Decoder 进行了一些改动，原本的 Decoder 包含了两个 Multi-Head Attention 结构，GPT 只保留了 Mask Multi-Head Attention。
不同transformer架构模型演进——主流是decoder-only

a. 绝大部分主流模型用decoder-only架构

b. 清华chatGLM用了encoder-decoder架构（成本高、吞吐低，但准确率高，适合toB、toG）

c. Encoder-only架构不适合大模型场景
大部分都是微调模型：基于已有大模型做微调，是一种非常有效的训练技术
国内知名语言模型

在这里插入图片描述

基础大模型测评方法-第三方测评机构superclue测评中文大模型方法
多模态模型-文生图-stable diffusion模型
多模态模型-文生视频-sora
Sora文生视频模型工作原理：SORA 模型训练流程

a. Step1：使用 DALLE 3（CLIP ）把文本和图像对 <text，image> 联系起来；

b. Step2：视频数据切分为 Patches 通过 VAE 编码器压缩成低维空间表示；

c. Step3：基于 Diffusion Transformer 从图像语义生成，完成从文本语义到图像语义进行映射；

d. Step4：DiT 生成的低维空间表示，通过 VAE 解码器恢复成像素级的视频数据；
多模态模型-图像、视频理解-GPTo
多模态模型-图像、视频理解-GPT-4o
优点：
1. 强大的生成能力：大模型能够生成高质量的文本、图像、音频、视频等内容，表现出色。
2. 自动特征提取：大模型能够自动提取和表示数据的特征，适应不同的应用场景。
3. 广泛应用：大模型在文本生成、多模态生成等领域取得了显著的成功，广泛应用于内容创作、数据增强、自动化生成等。
缺点：
1. 计算资源需求高：训练和推理大模型需要大量的计算资源和时间，通常依赖于高性能计算设备和分布式计算技术。
2. 数据依赖：大模型的性能依赖于大规模数据集的质量和数量，数据获取和处理成本高。
3. 解释性差：大模型的内部工作机制较为复杂，难以解释其生成过程和决策依据。
生成式AI通过大模型生成新的数据或内容，广泛应用于文本生成（文生文）和多模态生成等领域。大模型具有强大的生成能力和自动特征提取能力，但也面临计算资源需求高、数据依赖和解释性差等挑战。通过不断的研究和优化，生成式AI在各个领域取得了显著的成功，并将继续推动人工智能的发展。