太酷了!手机上部署最新AI大模型!只需2步!

IT猫仔 2024-06-18 16:01:32 阅读 53

在当前的AI革命中,大模型扮演着至关重要的角色,而这背后的基础便是Scaling Law。简而言之,随着数据、参数和计算能力的不断提升,大模型的能力也随之增强,展现出小规模模型所无法比拟的“涌现能力”。 越来越多的AI企业纷纷推出开源大模型,按照扩展定律实现指数级的增长,为AI领域的发展注入了新的活力和动力。

然而,另一个不可忽视的趋势是,大型模型的体积正在逐渐缩小,这为私有化部署提供了可能。这一趋势对于个人隐私保护要求较高的场景尤为重要。通过无需联网传输数据,直接在设备上运行的AI技术,我们可以增强用户的信任感。尽管云服务器上的AI可能具备更高的性能,但其安全性和可靠性却令人担忧。因此随着模型体积的减小,私有化部署将成为更加可行和受欢迎的选择。

本文介绍几个适合私有化部署的最新大模型,并提供部署指导,手把手部署到电脑及手机。

一、开源大模型

热门的大模型如ChatGPT和Bard受限于专有闭源技术,限制了其应用并模糊了技术透明度。相比之下,开源AI大型模型(LLMs)如Meta的Llama 3和微软的Phi3,不仅增强了数据安全和隐私保护,还降低了成本、减少了外部依赖,并实现了代码透明和模型定制。这些“小而美”的开源模型便于部署,预示着AI技术将更为开放、透明和灵活。

1、Llama 3

近期,Meta发布了开源Llama 3 8B和Llama 3 70B模型,Meta称它们是同体量下性能最佳的开源模型。基准测试显示,Llama 3 400B+实力与Claude和新版GPT-4 Turbo相当,在顶尖模型中占据重要地位。

模型链接:https://llama.meta.com/llama-downloads/

GitHub项目地址:https://github.com/meta-llama/llama3

2. Phi-3

Phi是微软AI研究院的新开源小型语言模型,专为商业环境设计,小巧高效。它包括Mini、Small和Medium三种规模。Phi-3-Mini虽有3.8B参数,但在关键测试中表现出色,与大型模型如Mixtral 8x7B和GPT-3.5相当。更大版本在扩展数据集下表现更佳。

Phi-3 技术报告:《一个能跑在手机上的大模型》https://arxiv.org/abs/2404.14219

小结

基准测试显示,Llama 3 8B和Phi3 3.8B小模型表现优异。在小规模参数的背后,还有相似的优化方法。由于大型模型性能的关键在于框架、数据和参数。小参数下使用MOE框架意义不大,因此这两个模型注重数据优化,提高数量和质量,这也为精简大型模型指明了方向。

二、电脑部署的流程

Ollama是部署大型语言模型的强大工具,兼容Llama 3、Mistral、Gemma等模型。部署过程简洁明了:**下载并安装Ollama,随后运行模型。

**

以Windows为例,轻松从官网或文末获取Ollama,一键安装即可。官网下载链接 https://github.com/ollama/ollama

安装好Ollama后,在命令行中输入【ollama run llama3】并运行,即可轻松下载并启动llama3大型模型(其他模型的运行命令同样适用)。初次下载模型可能需要一些时间,完成后,就可以开始与模型愉快地对话了。

Ollama还支持其他功能如,图片等多模态输入、传入提示词调教模型等,具体可以看下文档。

三、手机部署的流程

与电脑相比,手机在部署大模型方面展现出更大的意义。这是因为手机与我们的日常生活联系得更为紧密,且手机中储存着大量的个人数据,为后续交互提供了极大的便利。当前,许多人手头都有闲置的手机,如果其性能足够强大,那么运行大模型便成为了一个不错的选择。以我的旧手机小米8为例,可以应对这一需求。

要在手机上部署大模型,使用Termux+Ollama就成了。

尽管在手机上部署稍显繁琐,类似于电脑的安装配置过程,但需要搭建Linux环境。尽管安卓系统的底层建立在Linux内核之上,但重新装载Linux并非易事。然而,我偶然发现了一款名为Termux的出色工具,它能在Android设备上流畅运行众多Linux命令和应用程序。只需访问F-Droid官方网站,便能轻松下载安装Termux,为您的移动设备增添强大的Linux功能。

官网下载链接:https://github.com/termux/termux-app/releases

安装后打开Termux如下图。(如有要打开多个Linux窗口,左上角右滑点击New session就可以。)

第一步,利用Termux的proot-distro功能,可便捷安装Linux系统如Ubuntu、Debian或Arch Linux

// 先来安装proot-distro``pkg install proot-distro`` ``//使用proot-distro安装一个debian``proot-distro install debian`` ``// 安装成功后通过login命令就直接进入debian,为发行版启动一个root shell``proot-distro login debian

第二步,同电脑的流程,安装Ollama,下载及运行大模型

//进入之后再来安装ollama``curl -fsSL https://ollama.com/install.sh | sh`` ``// 安装完毕可以查看ollama版本进行验证,出现版本号之后就可以使用ollama``ollama -v`` `` ``// 后台开启ollama服务``nohup ollama serve &`` ``//运行大模型(其他模型的命令如下图,可通过ollama list查看模型)` `ollama run phi3

第一次安装软件和大模型首次可能会花费较长时间,大约需要一小时。但安装完成后,后续使用便捷。只需运行debian系统的login、Ollama服务以及大模型,即可开始使用。

在手机上编写代码有其独特魅力,输入代码并看到屏幕上的输出感觉很酷。然而,安装远程软件如Tailscale或todesk,用电脑编写代码更有趣。但需注意,算力受限会影响大模型的响应速度,同时会增加手机电量消耗。

四、本地大模型的体验

模型表现: 大模型表现权威的数据可以看一些相关的测评,比如下图。

经过我初步的测试与体验,手机本地部署的两大模型llama3和Phi3各有千秋。llama3展现出了稳健的性能,而Phi3则在反应速度上占据优势,给我的综合感受带来了不小的惊喜。

响应速度方面, 必须承认,无论是手机还是电脑,性能的高低都会对模型的表现产生影响。若能在配备GPU的电脑上运行,或许能得到更为流畅的体验。但在手机上,这两款模型的反应速度确实略显迟缓,有时甚至需要耐心等待几分钟才能得到简短的回应。值得一提的是,Phi3的反应速度明显超过了llama3,这在模型规模上形成了有趣的对比——llama3的8B模型几乎是Phi3的3.8B模型的两倍。

对于中文处理能力, 这些开源模型确实存在一些不足。当面对一些不常见的问题时,模型有时会在回答中突然转向英文。此外,很多中文表达含糊不清,导致笑话内容显得有些尴尬。这背后的原因在于,高质量的中文数据集与英文数据集相比仍有较大差距,这一数据层面的差异在未来或许会愈发明显。在中文任务的处理上,llama的表现似乎更胜一筹。如有兴趣,不妨尝试llama的中文版——llama3-Chinese,或许会带来不一样的惊喜。

llama3

phi3

代码能力: 看着都有模有样的,但还是可以看出来Phi3有一些语法错误。

llama3

phi3

数学推理: 看着都还不错,Phi3感觉更好些。

llama3

phi3

安全性: 都有不错的合规意识

llama3

phi3

五、结语

我们不禁感慨,虽然目前AI的实际应用仍显得零星,但技术的发展确实需要时间的积累。大型模型的昂贵推理成本无疑限制了其广泛的推广和应用。

然而,正是像Llama 3和Phi3这样的小模型的崭露头角,让我们看到了大型模型实用化的希望。虽然小模型的训练成本相对较高,但它们低廉的推理成本为整体经济带来了显著的节省,尤其是在为海量用户提供服务时,高性能的小模型让AI摆脱了成本的束缚,更加灵活地应用于各种场景。想象一下,如果我们能够根据自己的需求在本地部署定制化的AI,那种魅力将是无法言喻的!

展望未来,相信随着模型的不断优化和定制AI芯片等技术的快速发展,更多“小而美”的AI大模型将逐渐融入我们的日常生活,让我们更加深入地感受到AI带来的巨大变革!

大模型岗位需求

大模型时代,企业对人才的需求变了,AIGC相关岗位人才难求,薪资持续走高,AI运营薪资平均值约18457元,AI工程师薪资平均值约37336元,大模型算法薪资平均值约39607元。

在这里插入图片描述

掌握大模型技术你还能拥有更多可能性

• 成为一名全栈大模型工程师,包括Prompt,LangChain,LoRA等技术开发、运营、产品等方向全栈工程;

• 能够拥有模型二次训练和微调能力,带领大家完成智能对话、文生图等热门应用;

• 薪资上浮10%-20%,覆盖更多高薪岗位,这是一个高需求、高待遇的热门方向和领域;

• 更优质的项目可以为未来创新创业提供基石。

可能大家都想学习AI大模型技术,也想通过这项技能真正达到升职加薪,就业或是副业的目的,但是不知道该如何开始学习,因为网上的资料太多太杂乱了,如果不能系统的学习就相当于是白学。为了让大家少走弯路,少碰壁,这里我直接把全套AI技术和大模型入门资料、操作变现玩法都打包整理好,希望能够真正帮助到大家。

-END-


👉AI大模型学习路线汇总👈

大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)

第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;

第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;

第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;

第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;

第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;

第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;

第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战案例来学习。

在这里插入图片描述

👉大模型视频和PDF合集👈

观看零基础学习书籍和视频,看书籍和视频学习是最快捷也是最有效果的方式,跟着视频中老师的思路,从基础到深入,还是很容易入门的。

在这里插入图片描述

在这里插入图片描述

👉学会后的收获:👈

• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。

👉获取方式:

😝有需要的小伙伴,可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。