Qwen2 阿里最强开源大模型（Qwen2 |
您所在的位置：网站首页 › 老牛云加速 › Qwen2 阿里最强开源大模型（Qwen2 |
Qwen2 阿里最强开源大模型（Qwen2
阿里云正式开源通义千问Qwen2系列模型，其中Qwen2-72B成为全球性能最强的开源模型，在全球权威测评中，性能超过美国最强开源模型Llama3-70B，也超过文心4.0、豆包pro、混元pro等众多中国闭源大模型。今天老牛同学部署和体验Qwen2-7B中等尺寸模型，包括本地部署、API嗲用和WebUI对话客户端……
阿里巴巴通义千问团队发布了Qwen2系列开源模型，该系列模型包括5个尺寸的预训练和指令微调模型：Qwen2-0.5B、Qwen2-1.5B、Qwen2-7B、Qwen2-57B-A14B以及Qwen2-72B。对比当前最优的开源模型，Qwen2-72B在包括自然语言理解、知识、代码、数学及多语言等多项能力上均显著超越当前领先的Llama3-70B等大模型。
老牛同学今天部署和体验Qwen2-7B-Instruct指令微调的中等尺寸模型，相比近期推出同等规模的开源最好的Llama3-8B、GLM4-9B等模型，Qwen2-7B-Instruct依然能在多个评测上取得显著的优势，尤其是代码及中文理解上。
特别注意： 虽然Qwen2开源了，但仍然需要遵循其模型许可，除Qwen2-72B依旧使用此前的Qianwen License外，其余系列版本模型，包括Qwen2-0.5B、Qwen2-1.5B、Qwen2-7B以及Qwen2-57B-A14B等在内，均采用Apache 2.0许可协议。 下载Qwen2-7B-instruct模型文件为了简化模型的部署过程，我们直接下载GGUF文件。关于GGUF文件介绍，请详见部署Llama3-8B大模型的文章：玩转AI，笔记本电脑安装属于自己的Llama 3 8B大模型和对话客户端 打开Qwen2-7B-Instruct-GGUF模型文件列表（https://modelscope.cn/models/qwen/Qwen2-7B-Instruct-GGUF/files），我们选择qwen2-7b-instruct-q5_k_m.gguf并下载：
我们可以根据自己需要，选择下载其它版本的模型文件！ 启动Qwen2-7B-Instruct大模型GGUF模型量化文件下载完成后，我们就可以来运行Qwen2-7B大模型了。 在启动Qwen2-7B大模型之前，我们首先需要安装Python依赖包列表： pip install llama-cpp-python pip install openai pip install uvicorn pip install starlette pip install fastapi pip install sse_starlette pip install starlette_context pip install pydantic_settings然后打开一个Terminal终端窗口，切换到GGUF模型文件目录，启动Qwen2-7B大模型（./qwen2-7b-instruct-q5_k_m.gguf即为上一步下载的模型文件路径）： # 启动Qwen2大模型 # n_ctx=20480代表单次回话最大20480个Token数量 python -m llama_cpp.server \ --host 0.0.0.0 \ --model ./qwen2-7b-instruct-q5_k_m.gguf \ --n_ctx 20480
CLI命令行的客户端，可以参考之前LLama3-8B大模型的文章：https://mp.weixin.qq.com/s/MekCUJDhKzuUnoykkGoH2g # client.py from openai import OpenAI # 注意服务端端口，因为是本地，所以不需要api_key client = OpenAI(base_url="http://127.0.0.1:8000/v1", api_key="not-needed") # 对话历史：设定系统角色是一个只能助理，同时提交“自我介绍”问题 history = [ {"role": "system", "content": "你是一个智能助理，你的回答总是容易理解的、正确的、有用的和内容非常精简."}, ] # 首次自我介绍完毕，接下来是等代码我们的提示 while True: completion = client.chat.completions.create( model="local-model", messages=history, temperature=0.7, stream=True, ) new_message = {"role": "assistant", "content": ""} for chunk in completion: if chunk.choices[0].delta.content: print(chunk.choices[0].delta.content, end="", flush=True) new_message["content"] += chunk.choices[0].delta.content history.append(new_message) print("\033[91;1m") user_input = input("> ") if user_input.lower() in ["bye", "quit", "exit"]: # 我们输入bye/quit/exit等均退出客户端 print("\033[0mBYE BYE!") break history.append({"role": "user", "content": user_input}) print("\033[92;1m")启动CLI对话客户端：python client.py
至此，我们可以与Qwen2-7B-Instruct进行对话，体验Qwen2大模型的魅力了。 如果我们主要是通过API的方式使用Qwen2大模型，那么Qwen2部署就到此结束了。 接下来的章节，我们部署WebUI对话客户端，通过Web界面的方式使用Qwen2大模型，并且可以分享出去~ Qwen2-7B-Instruct WebUI客户端结合Ollama工具，搭建WebUI客户端，可参考之前Llama3-8B大模型的文章：一文彻底整明白，基于Ollama工具的LLM大语言模型Web可视化对话机器人部署指南 第一步： 我们需要下载安装Ollama本地大模型管理工具： Ollama提供了MacOS、Linux和Windows操作系统的安装包，大家可根据自己的操作系统，下载安装即可：
安装包下载之后的安装过程，和日常安装其他软件没有差别，包括点击Next以及Install等安装ollama到命令行。安装后续步骤中，我们可无需安装任何模型，因为我们在上文中我们已经安装了Qwen2-7B大模型，后面可以直接使用。 第二步： 安装Node.js编程语言工具包 安装Node.js编程语言工具包和安装其他软件包一样，下载安装即可：https://nodejs.org
安装完成之后，可以验证一下 Node.js 的版本，建议用目前的最新v20版本： node -v老牛同学安装的版本：v20.13.1（最新版本） 第三步： 基于GGUF模型文件创建Ollama模型 在我们存放Qwen2-7B的 GGUF 模型文件目录中，创建一个文件名为Modelfile的文件，该文件的内容如下： FROM ./qwen2-7b-instruct-q5_k_m.gguf然后在Terminal终端，使用这个文件创建Ollama模型，这里我把Ollama的模型取名为Qwen2-7B： $ ollama create Qwen2-7B -f ./Modelfile transferring model data using existing layer sha256:258dd2fa1bdf98b85327774e1fd36e2268c2a4b68eb9021d71106449ee4ba9d5 creating new layer sha256:14f4474ef69698bf4dbbc7409828341fbd85923319a801035e651d9fe6a9e9c9 writing manifest success最后，通过Ollama启动我们刚创建的大语言模型： ollama run Qwen2-7B启动完毕，其实我们已经有了一个和之前差不多的控制台对话界面，也可以与Qwen2-7B对话了。
如果我们不想要这个模型了，也可以通过命令行删除模型文件：ollama rm Qwen2-7B 我们也可以查看本地Ollama管理的模型列表：ollama list Ollama存放模型文件根目录：~/.ollama 第四步： 部署Ollama大模型Web对话界面 控制台聊天对话界面体验总归是不太好，接下来部署 Web 可视化聊天界面。 首先，下载ollama-webuiWeb 工程代码：git clone https://github.com/ollama-webui/ollama-webui-lite 然后切换ollama-webui代码的目录：cd ollama-webui-lite 设置 Node.js 工具包镜像源，以接下来下载 Node.js 的依赖包更加快速：npm config set registry http://mirrors.cloud.tencent.com/npm/ 安装 Node.js 依赖的工具包：npm install 最后，启动 Web 可视化界面：npm run dev
如果看到以上输出，代表 Web 可视化界面已经成功了！ 第五步： 通过WebUI愉快与Qwen2-7B对话 浏览器打开 Web 可视化界面：http://localhost:3000/ 可以看到Ollama的初始化页面，默认没有模型，需要选择，我们选择刚创建并部署的Qwen2-7B模型：
底部就是聊天输入框，至此可以愉快的与Qwen2-7B聊天对话了： 总结：Qwen2-7B比Llama3-8B快老牛同学验证和对比，在文本推理上，Qwen2-7B确实比Llama3-8B要快很多。后续老牛同学中文文本推理相关的API接口，就主要采用更快Qwen2-7B大模型了~ 其他：Ollama工具常用用法从上文的介绍可以看到，基于Ollama部署一个大模型的 Web 可视化对话机器人，还是非常方便。下面整理了部分Ollama提供的用法或者。 Ollama 命令工具 # 查看当前Ollama的模型 ollama list # 增量更新当前部署的模型 ollama pull Qwen2-7B # 删除一个模型文件 ollama rm Qwen2-7B # 复制一个模型 ollama cp Qwen2-7B Qwen2-newModelOllama API结果返回 curl http://localhost:11434/api/generate -d '{ "model": "Qwen2-7B", "prompt":"为什么天空是蓝色的？" }'Ollama API聊天对话 curl http://localhost:11434/api/chat -d '{ "model": "Qwen2-7B", "messages": [ { "role": "user", "content": "为什么天空是蓝色的？" } ] }'关注本公众号，我们共同学习进步👇🏻👇🏻👇🏻
Qwen2 阿里最强开源大模型（Qwen2-7B）本地部署、API调用和WebUI对话机器人 Llama3-8B 开源大模型玩转 AI，笔记本电脑安装属于自己的 Llama 3 8B 大模型和对话客户端 一文彻底整明白，基于 Ollama 工具的 LLM 大语言模型 Web 可视化对话机器人部署指南 基于Llama 3搭建中文版（Llama3-Chinese-Chat）大模型对话聊天机器人 GLM-4-9B 开源大模型本地部署GLM-4-9B清华智谱开源大模型方法和对话效果体验 ChatTTS 文本转语音模型ChatTTS 开源文本转语音模型本地部署、API使用和搭建WebUI界面 大模型应用借助AI大模型，三分钟原创一部儿童故事短视频（附完整操作步骤） 高效编写大模型 Prompt 提示词，解锁 AI 无限创意潜能 Python 小游戏AI已来，我与AI一起用Python编写了一个消消乐小游戏 Python游戏编程：一步步用Python打造经典贪吃蛇小游戏 本文作者：奔跑的蜗牛，转载请注明原文链接：https://ntopic.cn |
【本文地址】
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |