AI领域常用大模型地址及下载方法（持续更新）_ai模型下载

一、计划

现在大模型比较多，平时需要调试对比，就把这些大模型简单一个收集。
不断收集，不断学习
目前，开原模型较多，一些能力弱的，没啥意义

基座模型通常指的是一个通用的、预先训练好的语言模型，如GPT-3.5。这种模型在各种自然语言处理任务中表现出色，可以用作其他更具体任务的基础。对话模型则是专门针对对话系统设计的模型，用于理解和生成对话。这些模型通常会在大规模对话数据上进行预训练，以便更好地理解和生成自然对话。

在实际场景中，通常会使用基座模型进行微调，以适应特定的任务或领域。基座模型已经在大规模的通用语言数据上进行了预训练，因此可以作为一个良好的起点，然后通过微调来使其适应特定的应用场景。

对话模型通常已经在对话数据上进行了预训练，因此在构建对话系统或进行对话相关的任务时，可以使用对话模型进行微调，以使其更好地理解和生成自然对话。

无论是使用基座模型还是对话模型进行微调，都需要根据具体的应用场景和任务需求来选择合适的模型，并进行相应的微调工作

二、模块划分

github大模型汇总项目

目前主流大模型汇总
简介：整理开源的中文大语言模型，以规模缩小、可试点化部署、成本降低的模型为主，包括基础模型、垂直领域调整及应用、数据集与等教程。

1. nlp领域

（1）. ChatGLM-6B

1. ChatGLM-6B
2. ChatGLM2-6B
3. GLM2-6b 的第三方下载地址
4. GLM2-6b int4 第三方下载
5. GLM2-6b-32k 第三方下载
6. GLM2-6b-32k-int4 下载
7. GLM-6b 的第三方下载地址
8. GLM-6b-int8 的第三方下载地址
9. GLM-6b-int4 的第三方下载地址

ChatGLM2-6B 是开源中英双语对话模型 ChatGLM-6B 的第二代版本，在保留了初代模型对话流畅、部署门槛较低等众多优秀特性的基础之上，ChatGLM2-6B 引入了如下新特性：

GLM 多卡部署

（2）. LLaMA

mata官方地址
Chinese-LLaMA-Alpaca

Chinese-Llama-2系列-三方下载
Atom-7B-Chat-三方下载
Chinese-7b-Chat-三方下载
Llama2-Chinese-13b-Chat-三方下载
Llama2-Chinese-13b-Chat-4bit

本项目开源了中文LLaMA模型和指令精调的Alpaca大模型，以进一步促进大模型在中文NLP社区的开放研究。这些模型在原版LLaMA的基础上扩充了中文词表并使用了中文数据进行二次预训练，进一步提升了中文基础语义理解能力。同时，中文Alpaca模型进一步使用了中文指令数据进行精调，显著提升了模型对指令的理解和执行能力。

LLMA 安装部署

（3）. Mistral 7B

号称：目前为止最好的 7B 模型
Mistral 7B

（4）. Mistral-8x7B

性能超越 Llama2-65B
A微调Mistral-8x7B

（5）. BAAI/bge-reranker-base

特征向量提取器，特别是在向量检索，相似度匹配等领域的表现，目前是最先进的模型
BAAI/bge-reranker-base
github网址

（6）. 零一万物开源Yi系列“理科状元”Yi-9B，消费级显卡可跑

Yi-9B

3月6日，零一万物发布并开源了Yi系列中的“理科状元”——Yi-9B。Yi-9B 是目前 Yi 系列模型中代码和数学能力最强的模型，实际参数为 8.8B，默认上下文长度4K tokens，是在 Yi-6B （使用了 3.1T tokens 训练）的基础上，使用了 0.8T tokens 进行继续训练。

2. 知识图谱

（1.）信息抽取

1. 通用信息抽取 UIE(Universal Information Extraction)
   UIE(Universal Information Extraction)：Yaojie Lu等人在ACL-2022中提出了通用信息抽取统一框架UIE。该框架实现了实体抽取、关系抽取、事件抽取、情感分析等任务的统一建模，并使得不同任务间具备良好的迁移和泛化能力。为了方便大家使用UIE的强大能力，PaddleNLP借鉴该论文的方法，基于ERNIE 3.0知识增强预训练模型，训练并开源了首个中文通用信息抽取模型UIE。该模型可以支持不限定行业领域和抽取目标的关键信息抽取，实现零样本快速冷启动，并具备优秀的小样本微调能力，快速适配特定的抽取目标。
2. 开放域文本理解大模型
   SeqGPT是一个不限领域的文本理解大模型。无需训练，即可完成实体识别、文本分类、阅读理解等多种任务。该模型基于Bloomz在数以百计的任务数据上进行指令微调获得。模型可以在低至16G显存的显卡上免费使用。
   github地址

（2.）实体识别关系抽取数据集

多领域数据集

（3.）一些较为完成的图谱项目

项目地址

（4.）阿里藏经阁

藏经阁
在商业知识图谱数据开放基础之上，我们还开放了部分知识图谱技术平台能力，开源了若干知识图谱构建、融合、推理和应用工具，以促进知识图谱技术社区的发展。

1. DeepKE
   DeepKE 是一个支持低资源、长篇章的知识图谱抽取工具，用户可以定制输入的数据集和模型实现命名实体识别、关系抽取、属性抽取等知识图谱构建功能。

2. NeuralKG
   是一个通用的知识图谱神经网络表示学习工具，其包含常用的知识图谱嵌入模型、基于图神经网络的图谱推理模型，以及多个规则增强推理模型

3. OpenUE
   OpenUE是一个轻量级知识图谱抽取工具，其实现了在一个统一通用的框架下实现实体关系、事件识别、以及槽位和意图抽取等多种知识图谱构建任务。

4. PromptKG
   PromptKGC（Incoming）是一个基于Pretrain-Prompt-Fitune预训练范式的知识图谱抽取和补全工具，支持文本生成等多种应用和任务。

5. FastKGE
   是一个轻量级知识图谱表示学习框架，其通过知识图谱蒸馏等方法，实现快速、高效的实体向量学习，可支持知识图谱模型的快速部署，以及在移动、边缘设备应用部署。

（5.）构建知识图谱大模型 东北大学

构建知识图谱大模型

TechGPT是“东北大学知识图谱研究组”发布的垂直领域大语言模型。目前在HuggingFace