|
|
# ChatGLM-6B
|
|
|
|
|
|
<p align="center">
|
|
|
🌐 <a href="https://chatglm.cn/blog" target="_blank">Blog</a> • 🤗 <a href="https://huggingface.co/THUDM/chatglm-6b" target="_blank">HF Repo</a> • 🐦 <a href="https://twitter.com/thukeg" target="_blank">Twitter</a> • 📃 <a href="https://arxiv.org/abs/2103.10360" target="_blank">[GLM@ACL 22]</a> <a href="https://github.com/THUDM/GLM" target="_blank">[GitHub]</a> • 📃 <a href="https://arxiv.org/abs/2210.02414" target="_blank">[GLM-130B@ICLR 23]</a> <a href="https://github.com/THUDM/GLM-130B" target="_blank">[GitHub]</a> <br>
|
|
|
</p>
|
|
|
<p align="center">
|
|
|
👋 加入我们的 <a href="https://join.slack.com/t/chatglm/shared_invite/zt-1udqapmrr-ocT1DS_mxWe6dDY8ahRWzg" target="_blank">Slack</a> 和 <a href="resources/WECHAT.md" target="_blank">WeChat</a>
|
|
|
</p>
|
|
|
|
|
|
## 介绍
|
|
|
|
|
|
ChatGLM-6B 是一个开源的、支持中英双语的对话语言模型，基于 [General Language Model (GLM)](https://github.com/THUDM/GLM) 架构，具有 62 亿参数。结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。
|
|
|
ChatGLM-6B 使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化。经过约 1T 标识符的中英双语训练，辅以监督微调、反馈自助、人类反馈强化学习等技术的加持，62 亿参数的 ChatGLM-6B 已经能生成相当符合人类偏好的回答，更多信息请参考我们的[博客](https://chatglm.cn/blog)。
|
|
|
|
|
|
为了方便下游开发者针对自己的应用场景定制模型，我们同时实现了基于 [P-Tuning v2](https://github.com/THUDM/P-tuning-v2) 的高效参数微调方法 [(使用指南)](ptuning/README.md) ，INT4 量化级别下最低只需 7GB 显存即可启动微调。
|
|
|
|
|
|
不过，由于 ChatGLM-6B 的规模较小，目前已知其具有相当多的[**局限性**](#局限性)，如事实性/数学逻辑错误，可能生成有害/有偏见内容，较弱的上下文能力，自我认知混乱，以及对英文指示生成与中文指示完全矛盾的内容。请大家在使用前了解这些问题，以免产生误解。更大的基于 1300 亿参数 [GLM-130B](https://github.com/THUDM/GLM-130B) 的 ChatGLM 正在内测开发中。
|
|
|
|
|
|
**想让 ChatGLM-6B 更符合你的应用场景？欢迎参与 [Badcase 反馈计划](improve/README.md)。**
|
|
|
|
|
|
*Read this in [English](README_en.md).*
|
|
|
|
|
|
## 更新信息
|
|
|
**[2023/05/17]** 发布 [VisualGLM-6B](https://github.com/THUDM/VisualGLM-6B)，一个支持图像理解的多模态对话语言模型。
|
|
|
|
|
|
|
|
|
|
|
|
可以通过本仓库中的 [cli_demo_vision.py](cli_demo_vision.py) 和 [web_demo_vision.py](web_demo_vision.py) 来运行命令行和网页 Demo。注意 VisualGLM-6B 需要额外安装 [SwissArmyTransformer](https://github.com/THUDM/SwissArmyTransformer/) 和 torchvision。更多信息参见 [VisualGLM-6B](https://github.com/THUDM/VisualGLM-6B)。
|
|
|
|
|
|
**[2023/05/15]** 更新 v1.1 版本 checkpoint，训练数据增加英文指令微调数据以平衡中英文数据比例，解决英文回答中夹杂中文词语的现象。
|
|
|
|
|
|
<details><summary><b>以下是更新前后的英文问题对比：</b></summary>
|
|
|
|
|
|
* 问题：Describe a time when you had to make a difficult decision.
|
|
|
- v1.0:
|
|
|
|
|
|
- v1.1:
|
|
|
|
|
|
* 问题：Describe the function of a computer motherboard
|
|
|
- v1.0:
|
|
|
|
|
|
- v1.1:
|
|
|
|
|
|
* 问题：Develop a plan to reduce electricity usage in a home.
|
|
|
- v1.0:
|
|
|
|
|
|
- v1.1:
|
|
|
|
|
|
* 问题：未来的NFT，可能真实定义一种现实的资产，它会是一处房产，一辆汽车，一片土地等等，这样的数字凭证可能比真实的东西更有价值，你可以随时交易和使用，在虚拟和现实中无缝的让拥有的资产继续创造价值，未来会是万物归我所用，但不归我所有的时代。翻译成专业的英语
|
|
|
- v1.0:
|
|
|
|
|
|
- v1.1:
|
|
|
|
|
|
</details>
|
|
|
|
|
|
更多更新信息参见 [UPDATE.md](UPDATE.md)
|
|
|
|
|
|
## 友情链接
|
|
|
对 ChatGLM 进行加速的开源项目：
|
|
|
* [ChatGLM-MNN](https://github.com/wangzhaode/ChatGLM-MNN): 一个基于 MNN 的 ChatGLM-6B C++ 推理实现，支持根据显存大小自动分配计算任务给 GPU 和 CPU
|
|
|
* [JittorLLMs](https://github.com/Jittor/JittorLLMs)：最低3G显存或者没有显卡都可运行 ChatGLM-6B FP16， 支持Linux、windows、Mac部署
|
|
|
|
|
|
基于或使用了 ChatGLM-6B 的开源项目：
|
|
|
* [langchain-ChatGLM](https://github.com/imClumsyPanda/langchain-ChatGLM)：基于 langchain 的 ChatGLM 应用，实现基于可扩展知识库的问答
|
|
|
* [闻达](https://github.com/l15y/wenda)：大型语言模型调用平台，基于 ChatGLM-6B 实现了类 ChatPDF 功能
|
|
|
* [chatgpt_academic](https://github.com/binary-husky/chatgpt_academic): 支持ChatGLM-6B的学术写作与编程工具箱，具有模块化和多线程调用LLM的特点，可并行调用多种LLM。
|
|
|
* [glm-bot](https://github.com/initialencounter/glm-bot)：将ChatGLM接入Koishi可在各大聊天平台上调用ChatGLM
|
|
|
|
|
|
支持 ChatGLM-6B 和相关应用在线训练的示例项目：
|
|
|
* [ChatGLM-6B 的部署与微调教程](https://www.heywhale.com/mw/project/6436d82948f7da1fee2be59e)
|
|
|
* [ChatGLM-6B 结合 langchain 实现本地知识库 QA Bot](https://www.heywhale.com/mw/project/643977aa446c45f4592a1e59)
|
|
|
|
|
|
第三方评测：
|
|
|
* [Measuring Massive Multitask Chinese Understanding](https://arxiv.org/abs/2304.12986)
|
|
|
|
|
|
更多开源项目参见 [PROJECT.md](PROJECT.md)
|
|
|
|
|
|
## 使用方式
|
|
|
|
|
|
### 硬件需求
|
|
|
|
|
|
| **量化等级** | **最低 GPU 显存**（推理） | **最低 GPU 显存**（高效参数微调） |
|
|
|
| -------------- | ------------------------- | --------------------------------- |
|
|
|
| FP16（无量化） | 13 GB | 14 GB |
|
|
|
| INT8 | 8 GB | 9 GB |
|
|
|
| INT4 | 6 GB | 7 GB |
|
|
|
### 环境安装
|
|
|
|
|
|
使用 pip 安装依赖：`pip install -r requirements.txt`，其中 `transformers` 库版本推荐为 `4.27.1`，但理论上不低于 `4.23.1` 即可。
|
|
|
|
|
|
此外，如果需要在 cpu 上运行量化后的模型，还需要安装 `gcc` 与 `openmp`。多数 Linux 发行版默认已安装。对于 Windows ，可在安装 [TDM-GCC](https://jmeubank.github.io/tdm-gcc/) 时勾选 `openmp`。 Windows 测试环境 `gcc` 版本为 `TDM-GCC 10.3.0`， Linux 为 `gcc 11.3.0`。在 MacOS 上请参考 [Q1](FAQ.md#q1)。
|
|
|
|
|
|
### 代码调用
|
|
|
|
|
|
可以通过如下代码调用 ChatGLM-6B 模型来生成对话：
|
|
|
|
|
|
```python
|
|
|
>>> from transformers import AutoTokenizer, AutoModel
|
|
|
>>> tokenizer = AutoTokenizer.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True)
|
|
|
>>> model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).half().cuda()
|
|
|
>>> model = model.eval()
|
|
|
>>> response, history = model.chat(tokenizer, "你好", history=[])
|
|
|
>>> print(response)
|
|
|
你好👋!我是人工智能助手 ChatGLM-6B,很高兴见到你,欢迎问我任何问题。
|
|
|
>>> response, history = model.chat(tokenizer, "晚上睡不着应该怎么办", history=history)
|
|
|
>>> print(response)
|
|
|
晚上睡不着可能会让你感到焦虑或不舒服,但以下是一些可以帮助你入睡的方法:
|
|
|
|
|
|
1. 制定规律的睡眠时间表:保持规律的睡眠时间表可以帮助你建立健康的睡眠习惯,使你更容易入睡。尽量在每天的相同时间上床,并在同一时间起床。
|
|
|
2. 创造一个舒适的睡眠环境:确保睡眠环境舒适,安静,黑暗且温度适宜。可以使用舒适的床上用品,并保持房间通风。
|
|
|
3. 放松身心:在睡前做些放松的活动,例如泡个热水澡,听些轻柔的音乐,阅读一些有趣的书籍等,有助于缓解紧张和焦虑,使你更容易入睡。
|
|
|
4. 避免饮用含有咖啡因的饮料:咖啡因是一种刺激性物质,会影响你的睡眠质量。尽量避免在睡前饮用含有咖啡因的饮料,例如咖啡,茶和可乐。
|
|
|
5. 避免在床上做与睡眠无关的事情:在床上做些与睡眠无关的事情,例如看电影,玩游戏或工作等,可能会干扰你的睡眠。
|
|
|
6. 尝试呼吸技巧:深呼吸是一种放松技巧,可以帮助你缓解紧张和焦虑,使你更容易入睡。试着慢慢吸气,保持几秒钟,然后缓慢呼气。
|
|
|
|
|
|
如果这些方法无法帮助你入睡,你可以考虑咨询医生或睡眠专家,寻求进一步的建议。
|
|
|
```
|
|
|
模型的实现仍然处在变动中。如果希望固定使用的模型实现以保证兼容性，可以在 `from_pretrained` 的调用中增加 `revision="v1.1.0"` 参数。`v1.1.0` 是当前最新的版本号，完整的版本列表参见 [Change Log](https://huggingface.co/THUDM/chatglm-6b#change-log)。
|
|
|
|
|
|
### 从本地加载模型
|
|
|
以上代码会由 `transformers` 自动下载模型实现和参数。完整的模型实现可以在 [Hugging Face Hub](https://huggingface.co/THUDM/chatglm-6b)。如果你的网络环境较差，下载模型参数可能会花费较长时间甚至失败。此时可以先将模型下载到本地，然后从本地加载。
|
|
|
|
|
|
从 Hugging Face Hub 下载模型需要先[安装Git LFS](https://docs.github.com/zh/repositories/working-with-files/managing-large-files/installing-git-large-file-storage)，然后运行
|
|
|
```Shell
|
|
|
git clone https://huggingface.co/THUDM/chatglm-6b
|
|
|
```
|
|
|
|
|
|
如果你从 Hugging Face Hub 上下载 checkpoint 的速度较慢，可以只下载模型实现
|
|
|
```Shell
|
|
|
GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/THUDM/chatglm-6b
|
|
|
```
|
|
|
然后从[这里](https://cloud.tsinghua.edu.cn/d/fb9f16d6dc8f482596c2/)手动下载模型参数文件，并将下载的文件替换到本地的 `chatglm-6b` 目录下。
|
|
|
|
|
|
将模型下载到本地之后，将以上代码中的 `THUDM/chatglm-6b` 替换为你本地的 `chatglm-6b` 文件夹的路径，即可从本地加载模型。
|
|
|
|
|
|
**Optional** 模型的实现仍然处在变动中。如果希望固定使用的模型实现以保证兼容性，可以执行
|
|
|
```Shell
|
|
|
git checkout v1.1.0
|
|
|
```
|
|
|
|
|
|
## Demo & API
|
|
|
|
|
|
我们提供了一个基于 [Gradio](https://gradio.app) 的网页版 Demo 和一个命令行 Demo。使用时首先需要下载本仓库：
|
|
|
|
|
|
```shell
|
|
|
git clone https://github.com/THUDM/ChatGLM-6B
|
|
|
cd ChatGLM-6B
|
|
|
```
|
|
|
|
|
|
### 网页版 Demo
|
|
|
|
|
|
|
|
|
|
|
|
首先安装 Gradio：`pip install gradio`，然后运行仓库中的 [web_demo.py](web_demo.py)：
|
|
|
|
|
|
```shell
|
|
|
python web_demo.py
|
|
|
```
|
|
|
|
|
|
程序会运行一个 Web Server，并输出地址。在浏览器中打开输出的地址即可使用。最新版 Demo 实现了打字机效果，速度体验大大提升。注意，由于国内 Gradio 的网络访问较为缓慢，启用 `demo.queue().launch(share=True, inbrowser=True)` 时所有网络会经过 Gradio 服务器转发，导致打字机体验大幅下降，现在默认启动方式已经改为 `share=False`，如有需要公网访问的需求，可以重新修改为 `share=True` 启动。
|
|
|
|
|
|
感谢 [@AdamBear](https://github.com/AdamBear) 实现了基于 Streamlit 的网页版 Demo，运行方式见[#117](https://github.com/THUDM/ChatGLM-6B/pull/117).
|
|
|
|
|
|
### 命令行 Demo
|
|
|
|
|
|
|
|
|
|
|
|
运行仓库中 [cli_demo.py](cli_demo.py)：
|
|
|
|
|
|
```shell
|
|
|
python cli_demo.py
|
|
|
```
|
|
|
|
|
|
程序会在命令行中进行交互式的对话，在命令行中输入指示并回车即可生成回复，输入 `clear` 可以清空对话历史，输入 `stop` 终止程序。
|
|
|
|
|
|
### API部署
|
|
|
首先需要安装额外的依赖 `pip install fastapi uvicorn`，然后运行仓库中的 [api.py](api.py)：
|
|
|
```shell
|
|
|
python api.py
|
|
|
```
|
|
|
默认部署在本地的 8000 端口，通过 POST 方法进行调用
|
|
|
```shell
|
|
|
curl -X POST "http://127.0.0.1:8000" \
|
|
|
-H 'Content-Type: application/json' \
|
|
|
-d '{"prompt": "你好", "history": []}'
|
|
|
```
|
|
|
得到的返回值为
|
|
|
```shell
|
|
|
{
|
|
|
"response":"你好👋！我是人工智能助手 ChatGLM-6B，很高兴见到你，欢迎问我任何问题。",
|
|
|
"history":[["你好","你好👋！我是人工智能助手 ChatGLM-6B，很高兴见到你，欢迎问我任何问题。"]],
|
|
|
"status":200,
|
|
|
"time":"2023-03-23 21:38:40"
|
|
|
}
|
|
|
```
|
|
|
|
|
|
## 低成本部署
|
|
|
### 模型量化
|
|
|
默认情况下，模型以 FP16 精度加载，运行上述代码需要大概 13GB 显存。如果你的 GPU 显存有限，可以尝试以量化方式加载模型，使用方法如下：
|
|
|
|
|
|
```python
|
|
|
# 按需修改，目前只支持 4/8 bit 量化
|
|
|
model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).quantize(8).half().cuda()
|
|
|
```
|
|
|
|
|
|
进行 2 至 3 轮对话后，8-bit 量化下 GPU 显存占用约为 10GB，4-bit 量化下仅需 6GB 占用。随着对话轮数的增多，对应消耗显存也随之增长，由于采用了相对位置编码，理论上 ChatGLM-6B 支持无限长的 context-length，但总长度超过 2048（训练长度）后性能会逐渐下降。
|
|
|
|
|
|
模型量化会带来一定的性能损失，经过测试，ChatGLM-6B 在 4-bit 量化下仍然能够进行自然流畅的生成。使用 [GPT-Q](https://arxiv.org/abs/2210.17323) 等量化方案可以进一步压缩量化精度/提升相同量化精度下的模型性能，欢迎大家提出对应的 Pull Request。
|
|
|
|
|
|
量化过程需要在内存中首先加载 FP16 格式的模型，消耗大概 13GB 的内存。如果你的内存不足的话，可以直接加载量化后的模型，INT4 量化后的模型仅需大概 5.2GB 的内存：
|
|
|
```python
|
|
|
# INT8 量化的模型将"THUDM/chatglm-6b-int4"改为"THUDM/chatglm-6b-int8"
|
|
|
model = AutoModel.from_pretrained("THUDM/chatglm-6b-int4", trust_remote_code=True).half().cuda()
|
|
|
```
|
|
|
量化模型的参数文件也可以从[这里](https://cloud.tsinghua.edu.cn/d/674208019e314311ab5c/)手动下载。
|
|
|
|
|
|
### CPU 部署
|
|
|
如果你没有 GPU 硬件的话，也可以在 CPU 上进行推理，但是推理速度会更慢。使用方法如下（需要大概 32GB 内存）
|
|
|
```python
|
|
|
model = AutoModel.from_pretrained("THUDM/chatglm-6b", trust_remote_code=True).float()
|
|
|
```
|
|
|
|
|
|
如果你的内存不足，可以直接加载量化后的模型：
|
|
|
```python
|
|
|
# INT8 量化的模型将"THUDM/chatglm-6b-int4"改为"THUDM/chatglm-6b-int8"
|
|
|
model = AutoModel.from_pretrained("THUDM/chatglm-6b-int4",trust_remote_code=True).float()
|
|
|
```
|
|
|
|
|
|
如果遇到了报错 `Could not find module 'nvcuda.dll'` 或者 `RuntimeError: Unknown platform: darwin` (MacOS) ，请[从本地加载模型](README.md#从本地加载模型)
|
|
|
|
|
|
### Mac 部署
|
|
|
对于搭载了 Apple Silicon 或者 AMD GPU 的Mac，可以使用 MPS 后端来在 GPU 上运行 ChatGLM-6B。需要参考 Apple 的 [官方说明](https://developer.apple.com/metal/pytorch) 安装 PyTorch-Nightly（正确的版本号应该是2.1.0.dev2023xxxx，而不是2.0.0）。
|
|
|
|
|
|
目前在 MacOS 上只支持[从本地加载模型](README.md#从本地加载模型)。将代码中的模型加载改为从本地加载，并使用 mps 后端：
|
|
|
```python
|
|
|
model = AutoModel.from_pretrained("your local path", trust_remote_code=True).half().to('mps')
|
|
|
```
|
|
|
|
|
|
加载半精度的 ChatGLM-6B 模型需要大概 13GB 内存。内存较小的机器（比如 16GB 内存的 MacBook Pro），在空余内存不足的情况下会使用硬盘上的虚拟内存，导致推理速度严重变慢。此时可以使用量化后的模型如 chatglm-6b-int4。因为 GPU 上量化的 kernel 是使用 CUDA 编写的，因此无法在 MacOS 上使用，只能使用 CPU 进行推理。
|
|
|
```python
|
|
|
# INT8 量化的模型将"THUDM/chatglm-6b-int4"改为"THUDM/chatglm-6b-int8"
|
|
|
model = AutoModel.from_pretrained("THUDM/chatglm-6b-int4",trust_remote_code=True).float()
|
|
|
```
|
|
|
为了充分使用 CPU 并行，还需要[单独安装 OpenMP](FAQ.md#q1)。
|
|
|
|
|
|
### 多卡部署
|
|
|
如果你有多张 GPU，但是每张 GPU 的显存大小都不足以容纳完整的模型，那么可以将模型切分在多张GPU上。首先安装 accelerate: `pip install accelerate`，然后通过如下方法加载模型：
|
|
|
```python
|
|
|
from utils import load_model_on_gpus
|
|
|
model = load_model_on_gpus("THUDM/chatglm-6b", num_gpus=2)
|
|
|
```
|
|
|
即可将模型部署到两张 GPU 上进行推理。你可以将 `num_gpus` 改为你希望使用的 GPU 数。默认是均匀切分的，你也可以传入 `device_map` 参数来自己指定。
|
|
|
|
|
|
## 高效参数微调
|
|
|
基于 [P-tuning v2](https://github.com/THUDM/P-tuning-v2) 的高效参数微调。具体使用方法详见 [ptuning/README.md](ptuning/README.md)。
|
|
|
|
|
|
## ChatGLM-6B 示例
|
|
|
|
|
|
以下是一些使用 `web_demo.py` 得到的示例截图。更多 ChatGLM-6B 的可能，等待你来探索发现！
|
|
|
|
|
|
<details><summary><b>自我认知</b></summary>
|
|
|
|
|
|
|
|
|
|
|
|
</details>
|
|
|
|
|
|
<details><summary><b>提纲写作</b></summary>
|
|
|
|
|
|
|
|
|
|
|
|
</details>
|
|
|
|
|
|
<details><summary><b>文案写作</b></summary>
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
</details>
|
|
|
|
|
|
<details><summary><b>邮件写作助手</b></summary>
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
</details>
|
|
|
|
|
|
<details><summary><b>信息抽取</b></summary>
|
|
|
|
|
|
|
|
|
|
|
|
</details>
|
|
|
|
|
|
<details><summary><b>角色扮演</b></summary>
|
|
|
|
|
|
|
|
|
|
|
|
</details>
|
|
|
|
|
|
<details><summary><b>评论比较</b></summary>
|
|
|
|
|
|
|
|
|
|
|
|
</details>
|
|
|
|
|
|
<details><summary><b>旅游向导</b></summary>
|
|
|
|
|
|
|
|
|
|
|
|
</details>
|
|
|
|
|
|
## 局限性
|
|
|
|
|
|
由于 ChatGLM-6B 的小规模，其能力仍然有许多局限性。以下是我们目前发现的一些问题：
|
|
|
|
|
|
- 模型容量较小：6B 的小容量，决定了其相对较弱的模型记忆和语言能力。在面对许多事实性知识任务时，ChatGLM-6B 可能会生成不正确的信息；它也不擅长逻辑类问题（如数学、编程）的解答。
|
|
|
<details><summary><b>点击查看例子</b></summary>
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
</details>
|
|
|
|
|
|
- 产生有害说明或有偏见的内容：ChatGLM-6B 只是一个初步与人类意图对齐的语言模型，可能会生成有害、有偏见的内容。（内容可能具有冒犯性，此处不展示）
|
|
|
|
|
|
- 英文能力不足：ChatGLM-6B 训练时使用的指示/回答大部分都是中文的，仅有极小一部分英文内容。因此，如果输入英文指示，回复的质量远不如中文，甚至与中文指示下的内容矛盾，并且出现中英夹杂的情况。
|
|
|
|
|
|
- 易被误导，对话能力较弱：ChatGLM-6B 对话能力还比较弱，而且 “自我认知” 存在问题，并很容易被误导并产生错误的言论。例如当前版本的模型在被误导的情况下，会在自我认知上发生偏差。
|
|
|
<details><summary><b>点击查看例子</b></summary>
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
</details>
|
|
|
|
|
|
## 协议
|
|
|
|
|
|
本仓库的代码依照 [Apache-2.0](LICENSE) 协议开源，ChatGLM-6B 模型的权重的使用则需要遵循 [Model License](MODEL_LICENSE)。
|
|
|
|
|
|
## 引用
|
|
|
|
|
|
如果你觉得我们的工作有帮助的话，请考虑引用下列论文
|
|
|
|
|
|
```
|
|
|
@article{zeng2022glm,
|
|
|
title={Glm-130b: An open bilingual pre-trained model},
|
|
|
author={Zeng, Aohan and Liu, Xiao and Du, Zhengxiao and Wang, Zihan and Lai, Hanyu and Ding, Ming and Yang, Zhuoyi and Xu, Yifan and Zheng, Wendi and Xia, Xiao and others},
|
|
|
journal={arXiv preprint arXiv:2210.02414},
|
|
|
year={2022}
|
|
|
}
|
|
|
```
|
|
|
```
|
|
|
@inproceedings{du2022glm,
|
|
|
title={GLM: General Language Model Pretraining with Autoregressive Blank Infilling},
|
|
|
author={Du, Zhengxiao and Qian, Yujie and Liu, Xiao and Ding, Ming and Qiu, Jiezhong and Yang, Zhilin and Tang, Jie},
|
|
|
booktitle={Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)},
|
|
|
pages={320--335},
|
|
|
year={2022}
|
|
|
}
|
|
|
```
|
