[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-mymusise--ChatGLM-Tuning":3,"tool-mymusise--ChatGLM-Tuning":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70612,"2026-04-05T11:12:22",[15,14,13,36],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":70,"quickstart_zh":71,"use_case_zh":72,"hero_image_url":73,"owner_login":74,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":79,"owner_twitter":78,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":95,"env_os":96,"env_gpu":97,"env_ram":98,"env_deps":99,"category_tags":108,"github_topics":109,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":113,"updated_at":114,"faqs":115,"releases":145},2604,"mymusise\u002FChatGLM-Tuning","ChatGLM-Tuning","基于ChatGLM-6B + LoRA的Fintune方案","ChatGLM-Tuning 是一套基于清华大学 ChatGLM-6B 模型与 LoRA 高效微调技术的开源方案，旨在以较低的成本实现类似 ChatGPT 的对话能力。它主要解决了大语言模型全量微调对显存和算力要求极高、普通开发者难以承担的痛点，让用户仅需消费级显卡（推荐 16GB 以上显存）即可完成定制化训练。\n\n该工具非常适合希望构建垂直领域智能助手的研究人员、AI 开发者以及大模型技术爱好者。其核心亮点在于采用 LoRA（低秩自适应）技术，在大幅减少可训练参数量的同时，保持了模型出色的性能表现。项目提供了从数据预处理（支持 Alpaca 数据集转换）、模型训练到推理验证的完整流程，并兼容 Google Colab 云端环境，降低了上手门槛。此外，它还规划了奖励模型训练与 PPO 强化学习等进阶功能，为后续实现人类反馈强化学习（RLHF）奠定了基础。无论是想快速验证想法的工程师，还是希望深入探索大模型微调机制的学习者，ChatGLM-Tuning 都是一个轻量且实用的入门选择。","# ChatGLM-Tuning\n\n一种平价的chatgpt实现方案，基于清华的 [ChatGLM-6B](https:\u002F\u002Fgithub.com\u002FTHUDM\u002FChatGLM-6B) + LoRA 进行finetune.\n\n数据集: [alpaca](https:\u002F\u002Fgithub.com\u002Ftatsu-lab\u002Fstanford_alpaca)\n\n有colab的同学可以直接在colab上尝试： \u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fmymusise\u002FChatGLM-Tuning\u002Fblob\u002Fmaster\u002Fexamples\u002Ffinetune.ipynb\">\n        \u003Cimg alt=\"Build\" src=\"https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg\">\n    \u003C\u002Fa>\n\n\n[官方ptuning代码](https:\u002F\u002Fgithub.com\u002FTHUDM\u002FChatGLM-6B\u002Fblob\u002Fmain\u002Fptuning)\n\n\n## Demo\n\n- [开源版的文心一言](https:\u002F\u002Fgithub.com\u002Fvisual-openllm\u002Fvisual-openllm)\n\n\n## S1 Finetune\n\n### 准备\n\n- 显卡: 显存 >= 16G (最好24G或者以上)\n- 环境：\n- - python>=3.8\n- - cuda>=11.6, cupti, cuDNN, TensorRT等深度学习环境\n- - pip3 install -r requirements.txt\n其中requirements.txt中的安装包bitsandbytes 建议安装0.41.2.post2这个版本，以前的版本可能会提示报错：\n        bitsandbytes\u002Flibbitsandbytes_cpu.so: undefined symbol: cget_col_row_stats\n\n### 数据预处理\n\n\n转化alpaca数据集为jsonl\n\n```bash\npython cover_alpaca2jsonl.py \\\n    --data_path data\u002Falpaca_data.json \\\n    --save_path data\u002Falpaca_data.jsonl \\\n    \n```\n\ntokenization\n\n```bash\npython tokenize_dataset_rows.py \\\n    --jsonl_path data\u002Falpaca_data.jsonl \\\n    --save_path data\u002Falpaca \\\n    --max_seq_length 200 \\ \n    --skip_overlength  False\n    --chatglm_path model_path\u002Fchatglm\n    --version v1                 \n    \n```\n\n- `--jsonl_path` 微调的数据路径, 格式jsonl, 对每行的['context']和['target']字段进行encode\n- `--save_path` 输出路径\n- `--max_seq_length` 样本的最大长度\n- `--chatglm_path` 导入模型的路径（可以选择chatglm或chatglm2的不同路径）\n- `--version` 模型的版本（v1指chatglm,v2指chatglm2）\n\n### 训练\n\n```bash\npython finetune.py \\\n    --dataset_path data\u002Falpaca \\\n    --lora_rank 8 \\\n    --per_device_train_batch_size 6 \\\n    --gradient_accumulation_steps 1 \\\n    --max_steps 52000 \\\n    --save_steps 1000 \\\n    --save_total_limit 2 \\\n    --learning_rate 1e-4 \\\n    --fp16 \\\n    --remove_unused_columns false \\\n    --logging_steps 50 \\\n    --output_dir output\n    --chatglm_path model_path\u002Fchat_glm\n```\n\n### 推理\n\n参考 [infer.ipynb](infer.ipynb)\n\n\u003Cdetails>\u003Csummary>\u003Cb>Finetune前后对比\u003C\u002Fb>\u003C\u002Fsummary>\n\n利用Alpaca数据集合对ChatGLM-6B Finetune后，在Alpaca数据集上表现得更好:\n- `Answer:` 是模型的输出\n- `#### Answer:` 是原答案\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmymusise_ChatGLM-Tuning_readme_208f441db6af.jpeg)\n\n\n\u003C\u002Fdetails>\n\n\n## S2. Reward Model\n\n## S3. PPO\n\n\n## LoRA\n\n| LoRA                                  | Dataset      |\n| ------------------------------------- | ------------ |\n| mymusise\u002Fchatglm-6b-alpaca-lora       | Alpaca       |\n| mymusise\u002Fchatglm-6b-alpaca-zh-en-lora | Alpaca-zh-en |\n| *(on the way)*                        | Alpaca-zh    |\n\n### 使用预训练好的LoRA\n\n参考 [examples\u002Finfer_pretrain.ipynb](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fmymusise\u002FChatGLM-Tuning\u002Fblob\u002Fmaster\u002Fexamples\u002Finfer_pretrain.ipynb)\n\n\n# TODO:\n\n- ~~bs > 1 support~~\n- 使用中文数据\n- 加入RLHF","# ChatGLM-Tuning 快速上手指南\n\nChatGLM-Tuning 是一个基于清华 [ChatGLM-6B](https:\u002F\u002Fgithub.com\u002FTHUDM\u002FChatGLM-6B) 模型和 LoRA 技术的低成本微调方案，旨在实现类似 ChatGPT 的对话能力。本指南将帮助你快速完成环境搭建、数据预处理及模型微调。\n\n## 1. 环境准备\n\n在开始之前，请确保你的开发环境满足以下硬件和软件要求：\n\n*   **硬件要求**：\n    *   GPU 显存：**≥ 16GB**（推荐 24GB 或以上）。\n*   **软件依赖**：\n    *   Python >= 3.8\n    *   CUDA >= 11.6\n    *   需安装 cupti, cuDNN, TensorRT 等深度学习基础环境。\n\n## 2. 安装步骤\n\n### 2.1 安装依赖包\n克隆项目后，进入目录并安装依赖：\n\n```bash\npip3 install -r requirements.txt\n```\n\n> **重要提示**：`requirements.txt` 中的 `bitsandbytes` 库建议强制安装 **0.41.2.post2** 版本。旧版本可能会报错 `undefined symbol: cget_col_row_stats`。\n> 若自动安装失败，可手动执行：\n> ```bash\n> pip install bitsandbytes==0.41.2.post2\n> ```\n\n### 2.2 准备模型\n请下载 ChatGLM-6B 原始模型权重，并记录本地路径（例如：`model_path\u002Fchatglm`），后续步骤需引用该路径。\n\n## 3. 基本使用\n\n以下是基于 Alpaca 数据集进行微调的最简流程。\n\n### 3.1 数据预处理\n\n**第一步：格式转换**\n将原始的 Alpaca JSON 数据集转换为 JSONL 格式：\n\n```bash\npython cover_alpaca2jsonl.py \\\n    --data_path data\u002Falpaca_data.json \\\n    --save_path data\u002Falpaca_data.jsonl\n```\n\n**第二步：分词处理 (Tokenization)**\n对数据进行编码处理，生成训练所需的二进制文件：\n\n```bash\npython tokenize_dataset_rows.py \\\n    --jsonl_path data\u002Falpaca_data.jsonl \\\n    --save_path data\u002Falpaca \\\n    --max_seq_length 200 \\\n    --skip_overlength False \\\n    --chatglm_path model_path\u002Fchatglm \\\n    --version v1\n```\n\n*   `--chatglm_path`: 替换为你本地的 ChatGLM 模型路径。\n*   `--version`: `v1` 对应 ChatGLM-6B，`v2` 对应 ChatGLM2。\n\n### 3.2 开始训练 (Finetune)\n\n使用 LoRA 技术启动微调训练：\n\n```bash\npython finetune.py \\\n    --dataset_path data\u002Falpaca \\\n    --lora_rank 8 \\\n    --per_device_train_batch_size 6 \\\n    --gradient_accumulation_steps 1 \\\n    --max_steps 52000 \\\n    --save_steps 1000 \\\n    --save_total_limit 2 \\\n    --learning_rate 1e-4 \\\n    --fp16 \\\n    --remove_unused_columns false \\\n    --logging_steps 50 \\\n    --output_dir output \\\n    --chatglm_path model_path\u002Fchat_glm\n```\n\n*   `--chatglm_path`: 再次确认指向正确的模型目录。\n*   `--output_dir`: 训练生成的 LoRA 权重将保存至此目录。\n\n### 3.3 推理测试\n\n训练完成后，参考项目中的 `infer.ipynb` 或 `examples\u002Finfer_pretrain.ipynb` 加载保存的 LoRA 权重进行对话测试。\n\n> **云端体验**：如果你没有本地 GPU 资源，可以直接在 Google Colab 上运行官方提供的 Notebook 进行尝试：\n> [在 Colab 中打开微调示例](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fmymusise\u002FChatGLM-Tuning\u002Fblob\u002Fmaster\u002Fexamples\u002Ffinetune.ipynb)","某初创教育科技公司希望基于开源模型快速构建一个能精准解答高中数理化题目的智能辅导助手，但受限于预算无法调用商业大模型 API。\n\n### 没有 ChatGLM-Tuning 时\n- **通用回答缺乏针对性**：直接使用原生 ChatGLM-6B 模型时，面对具体的解题步骤询问，模型往往只能给出笼统的概念解释，无法像专业老师一样拆解公式和推导过程。\n- **定制成本高昂**：若尝试全量微调模型以适配学科数据，需要数十 GB 显存和昂贵的多卡服务器集群，远超初创团队的硬件预算。\n- **响应速度慢且部署难**：为了勉强运行大模型，不得不进行复杂的量化压缩或依赖云端高配实例，导致推理延迟高，难以在低配置边缘设备上流畅部署。\n\n### 使用 ChatGLM-Tuning 后\n- **领域知识显著增强**：利用 LoRA 技术结合 Alpaca 及自建题库数据进行微调，模型能准确输出带步骤的数学解题过程，回答质量接近专业教辅水平。\n- **低成本高效训练**：仅需单张 16G 显存显卡（如 RTX 3090）即可完成训练，将原本需要数天的全量微调过程缩短至数小时，极大降低了算力门槛。\n- **轻量级灵活部署**：生成的 LoRA 权重文件极小，可轻松挂载于基础模型之上，使得该智能助手能直接部署在公司的普通推理服务器上，响应速度提升明显。\n\nChatGLM-Tuning 通过低秩适配技术，让中小团队也能以极低的硬件成本，将通用大模型快速转化为垂直领域的专家助手。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmymusise_ChatGLM-Tuning_88812d6d.png","mymusise","Chengxi Guo","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmymusise_dd8345d1.png","An NLP alchemist.",null,"mymusise1@gmail.com","https:\u002F\u002Fmymusise.github.io","https:\u002F\u002Fgithub.com\u002Fmymusise",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",56.6,{"name":88,"color":89,"percentage":90},"Jupyter Notebook","#DA5B0B",43.4,3755,439,"2026-04-01T01:05:05","MIT",4,"Linux","必需 NVIDIA GPU，显存 >= 16GB (推荐 24GB 或以上)，CUDA >= 11.6","未说明",{"notes":100,"python":101,"dependencies":102},"bitsandbytes 库建议严格安装 0.41.2.post2 版本，旧版本会报错 'undefined symbol: cget_col_row_stats'。环境需包含 cupti, cuDNN, TensorRT 等深度学习组件。支持基于 ChatGLM-6B (v1) 和 ChatGLM2 (v2) 进行微调。","3.8+",[103,104,105,106,107],"bitsandbytes==0.41.2.post2","torch","transformers","deepspeed","peft",[15],[110,111,112,107],"chatglm","chatgpt","lora","2026-03-27T02:49:30.150509","2026-04-06T07:12:58.064001",[116,121,126,131,136,141],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},12063,"训练完成后模型只回答英文，不会说中文了怎么办？","如果仅使用英文数据集（如 Alpaca）进行微调，模型可能会倾向于输出英文。建议采用中英文混合数据进行训练，或者将现有的英文指令数据翻译成中文后一起训练，以恢复或增强模型的中文能力。","https:\u002F\u002Fgithub.com\u002Fmymusise\u002FChatGLM-Tuning\u002Fissues\u002F62",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},12064,"训练过程中 Loss 一直为 0 是什么原因？","Loss 为 0 通常与精度设置有关。如果在某些显卡（如 P40 或部分 V100 配置）上关闭了 fp16（即 fp16=False），可能会导致 Loss 计算异常显示为 0。解决方案是开启 fp16 进行训练。此外，确保显存充足，单卡 V100 32GB 环境下，开启 fp16 且 batch_size \u003C 3 通常可以正常运行并得到正常的 Loss 值。","https:\u002F\u002Fgithub.com\u002Fmymusise\u002FChatGLM-Tuning\u002Fissues\u002F19",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},12065,"设置 per_device_train_batch_size 大于 1 时报错（tensor size 不一致）如何解决？","该问题是由于 Batch Size > 1 时，不同样本的长度不一致导致堆叠失败，且原有的 mask 和 position_ids 计算逻辑未适配多样本情况。维护者已修复此问题，更新了 `get_masks` 和 `get_position_ids` 的逻辑以支持 Batch Size > 1。请拉取最新代码，参考更新后的 `finetune.py`（特别是 data_collator 和 mask 生成部分），确保使用了左填充（left padding）并正确对齐了官方模型的 mask 构造逻辑。","https:\u002F\u002Fgithub.com\u002Fmymusise\u002FChatGLM-Tuning\u002Fissues\u002F11",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},12066,"在中文小数据集上微调的效果如何？有什么推荐参数？","在中文小数据集上微调效果取决于数据和参数。有用户反馈使用最新代码微调后多轮对话效果尚可。推荐的生成参数配置为：temperature=0.95, top_p=0.7。如果训练样本较少（如 200 条），模型可能无法记住所有知识，建议适当增加训练步数（max_steps）或将每个问题重复多次以增加曝光率。","https:\u002F\u002Fgithub.com\u002Fmymusise\u002FChatGLM-Tuning\u002Fissues\u002F64",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},12067,"Label 和 Attention Mask 的构造逻辑应该是怎样的？","Label 和 Attention Mask 的构造应与官方最新代码对齐。对于 Label，通常需要忽略 Prompt 部分（设为 -100），只计算 Target 部分的 Loss。关于 Attention Mask，双向注意力机制中 mask token 之前的部分也应可见。目前项目已直接使用官方模型代码来构造 `attention_mask` 和 `position_ids`，解决了之前不支持 bs>1 的问题。如果遇到训练 Loss 高或回答不准确，请检查是否采用了 Left Padding 以及 Label 截断逻辑是否正确（即 `labels = [-100] * seq_len + ids[seq_len:]` 的变体）。","https:\u002F\u002Fgithub.com\u002Fmymusise\u002FChatGLM-Tuning\u002Fissues\u002F60",{"id":142,"question_zh":143,"answer_zh":144,"source_url":120},12068,"ChatGLM-6B 原本就是对话模型，为什么还需要微调（Finetune）？","虽然 ChatGLM-6B 具备通用的对话能力，但 In-context Learning（上下文学习）提供的信息有限。微调的主要目的是让模型适应特定的领域、风格或角色（例如扮演“智慧的和尚”），通过注入特定领域的语料，使模型在该场景下的表现更专业、更符合预期，而不仅仅是依赖通用的预训练知识。",[]]