基于Llama 3搭建中文版（Llama3-Chinese-Chat）大模型对话谈天机器人
前面两篇博文，我们分别在个人笔记本电脑部署了Llama 3 8B参数大模型，并使用Ollama搭建了基于 Web 可视化对话谈天机器人，可以在自己电脑上愉快的与Llama大模型 Web 机器人对话谈天了。但在使用过程中，笔者发现Llama大模型常常出现中文问题英文回复的问题，需要使用中文回复等提示词告诉大模型用中文回复，体验还不是最好的。本日，本博文就来办理这个问题，让我们有个中文版的Llama 3Web 对话机器人（Llama3-Chinese-Chat）……第一篇Llama 3 8B大模型部署和 Python 版对话机器人博文：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
第二篇基于Ollama部署Llama 3 8B大模型 Web 版本对话机器人博文：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
留意： 因为本博文介绍的是Llama 3 中文版（Llama3-Chinese-Chat）对话机器人，涉及到前面两篇博文内容，特别是第二篇 Web 版本对话机器人部署，因此发起按照前文博文部署好Llama 3 8B大语言模型。
HF 上选择排名最高的模型
模型列表官网地址：https://huggingface.co/models
模型列表国内镜像（保举）：https://hf-mirror.com/models
在模型列表页面按照关键字llama chinese搜索，并按照趋势排序，可以看到中文版模型：
https://img-blog.csdnimg.cn/direct/0ce13fde8359402a963c5c996584b5a3.jpeg#pic_center
可以看出，第一名模型的下载数量和点赞数量，比第二名要多好多，我们就选择shenzhi-wang这位作者发布的模型。
方式一：通过 GGUF 量化模型安装（保举）
GGUF 安装比较简朴，下载单个文件即可：
https://img-blog.csdnimg.cn/direct/848b5eac5e7d44aaa9b9aa92ecc1473c.jpeg#pic_center
下载到本地之后，按照我的第一篇博文，即可举行控制台谈天了：
启动大模型Shell 脚本：
source ./venv/bin/activate
python -m llama_cpp.server --host 0.0.0.0 --model \
./Llama3-8B-Chinese-Chat-q4_0-v2_1.gguf \
--n_ctx 20480
Python 对话客户端代码：
from openai import OpenAI
# 注意服务端端口，因为是本地，所以不需要api_key
ip = '127.0.0.1'
#ip = '192.168.1.37'
client = OpenAI(base_url="http://{}:8000/v1".format(ip),
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.delta.content:
print(chunk.choices.delta.content, end="", flush=True)
new_message["content"] += chunk.choices.delta.content
history.append(new_message)
print("\033[91;1m")
userinput = input("> ")
if userinput.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": userinput})
print("\033[92;1m")
运行 Python 客户端即可：
https://img-blog.csdnimg.cn/direct/80e10fa4afa440509320f2691422161c.jpeg#pic_center
按照第二篇博文，部署基于 Web 版对话机器人：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 GGUF 量化模型天生 Ollama模型文件，假设文件名为Modelfile-Chinese，内容如下：
FROM ./Llama3-8B-Chinese-Chat-q4_0-v2_1.gguf
实行 Ollama 模型转换，Llama-3-8B-Chinese为 Ollama 模型名：
$ ollama create Llama-3-8B-Chinese -f ./Modelfile-Chinese
transferring model data
using existing layer sha256:242ac8dd3eabcb1e5fcd3d78912eaf904f08bb6ecfed8bac9ac9a0b7a837fcb8
creating new layer sha256:9f3bfa6cfc3061e49f8d5ab5fba0f93426be5f8207d8d8a9eebf638bd12b627a
writing manifest
success
可以通过 Ollama 查看现在的大模型列表：
$ ollama list
NAME ID SIZE MODIFIED
Llama-3-8B-Chinese:latest 37143cf1f51f 4.7 GB 42 seconds ago
Llama-3-8B:latest 74abc0712fc1 4.9 GB 3 days ago
可以看到我们刚安装的大模型：Llama-3-8B-Chinese
启动ollama-webui-lite项目，可以选择Llama-3-8B-Chinese模型和对话谈天了：
$ npm run dev
> ollama-webui-lite@0.0.1 dev
> vite dev --host --port 3000
VITE v4.5.3ready in 1797 ms
➜Local: http://localhost:3000/
➜Network: http://192.168.101.30:3000/
➜press h to show help
https://img-blog.csdnimg.cn/direct/d184cca69bea484091316ad94e7d0e17.jpeg#pic_center
方式二：通过 Ollama 拉取模型文件
这种方式比较简朴，无需下载 GGUF 模型文件，可以让 Ollama 直接拉取模型文件并完成安装：
# Llama3-8B-Chinese-Chat的4位量化版本（对机器性能要求最低）
ollama run wangshenzhi/llama3-8b-chinese-chat-ollama-q4
# Llama3-8B-Chinese-Chat的8位量化版本（对机器性能要求中等）
ollama run wangshenzhi/llama3-8b-chinese-chat-ollama-q8
# Llama3-8B-Chinese-Chat的f16未量化版本（对机器性能要求最高）
ollama run wangshenzhi/llama3-8b-chinese-chat-ollama-fp16
Ollama 主动下载并完成安装，之后启动ollama-webui-lite项目，就可以使用了~
我的本博客原地址：https://mp.weixin.qq.com/s/idcdIr8mMWDQ_iZU5r_UEQ
https://img-blog.csdnimg.cn/direct/ae9f4bafb2e543508488628f3eca2e3d.png#pic_center
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]