目前开源的 LLM 大模型，要想比较流畅地进行部署体验，离不开 GPU 算力。本文介绍基于阿里云的机器学习平台 PAI 来免费体验一些开源大模型。
获取算力
直接打开阿里云免费活动页选择机器学习平台 PAI[1]：
直接点击立即试用，注意，新老用户都可以，所以放心申请。一般 PAI 功能涉及到存储，所以建议同时也申请 NAS 体验功能：
如果你需要引入 NAS 持久化数据就到控制台[2]新建即可，这里不再赘述。
新建空间
申请结束后直接新建一个工作空间[3]：
资源消耗在资源实例管理[4]查看。
创建 DSW
创建好空间，直接创建交互式建模（DWS）实例，这里我们需要注意的是只能选择可以抵扣算力的 GPU：
- ecs.gn7i-c8g1.2xlarge: A10
- ecs.gn6v-c8g1.2xlarge: V100
- 镜像选择
pytorch:1.12-gpu-py39-cu113-ubuntu20.04即可，创建完毕在**交互式建模（DSW）**选中创建的目标点击打开：
具体操作页面如下：
就是基于 **Jupyter Lab** 修改的界面，很好上手，接下来就让我们用这个免费的算力来体验一下各类开源 LLM 大模型吧 🥳。
关于使用阿里云也很贴心地出了教程[5]给我们上手使用：
上手 LLM
准备工作
接下来将以开源领域比较出名的几个 LLM 为例，跑起来体验一下，开始前做好一些准备工作：
# 安装 git-lfs curl -s https://packagecloud.io/install/repositories/github/git-lfs/script.deb.sh | sudo bash apt-get install git-lfs
ChatGLM-6B
下载项目：
https://github.com/THUDM/ChatGLM-6B.git # 国内加速 git clone https://ghproxy.com/https://github.com/THUDM/ChatGLM-6B.git # 安装依赖 pip install -r requirements.txt
加载模型：
mkdir -p /mnt/workspace/chatglm-6b git clone https://huggingface.co/THUDM/chatglm-6b /mnt/workspace/chatglm-6b cd /mnt/workspace/chatglm-6b git lfs install git lfs pull
若速度慢，官方[6]提供的手动下载模型文件方案也可参考：
运行项目，基于 transformers 快速使用：
ChatGLM-6B 提供了 cli&web&api 三种使用方式，使用前请将这三个文件全部修改下模型目录：
- web_demo.py：设置
share=True可以分享出去 - cli_demo.py
- api.py
比如我演示环境模型目录下载位置是 /mnt/workspace/chatglm-6b，改动后代码如下：
tokenizer = AutoTokenizer.from_pretrained("/mnt/workspace/chatglm-6b", trust_remote_code=True) model = AutoModel.from_pretrained("/mnt/workspace/chatglm-6b", trust_remote_code=True).half().cuda()
接下来启动运行对应脚本即可体验：
# 以终端为例 python cli_demo.py
MOSS
准备好项目和模型：
git clone https://github.com/OpenLMLab/MOSS.git # 安装依赖 pip install -r requirements.txt
由于硬件问题，我们使用4bit量化版本的moss-moon-003-sft模型(默认)：
mkdir -p /mnt/workspace/moss-moon-003-sft-int4 git clone https://huggingface.co/fnlp/moss-moon-003-sft-int4 /mnt/workspace/moss-moon-003-sft-int4
然后将moss_cli_demo.py的 32-34 行代码：
model_path = args.model_name if not os.path.exists(args.model_name): model_path = snapshot_download(args.model_name)
改为：
# model_path = args.model_name # if not os.path.exists(args.model_name): # model_path = snapshot_download(args.model_name) model_path = "/mnt/workspace/moss-moon-003-sft-int4"
然后执行：
python moss_cli_demo.py
如果想使用 web 交互版本：
python moss_web_demo_gradio.py
baichuan-7B
准备好项目和模型：
git clone https://github.com/baichuan-inc/baichuan-7B.git # 国内加速 git clone https://ghproxy.com/https://github.com/baichuan-inc/baichuan-7B.git # 安装依赖 pip install -r requirements.txt # 下载模型 mkdir -p /mnt/workspace/baichuan-7b git clone https://huggingface.co/baichuan-inc/baichuan-7B /mnt/workspace/baichuan-7b cd /mnt/workspace/baichuan-7b git lfs install git lfs pull
运行项目，基于 transformers 快速使用：
pip install accelerate
只能说，勉强能跑：
想要体验对话能力？有大佬已经微调了对应版本，如 baichuan-7b-sft[7] ：
mkdir -p /mnt/workspace/baichuan-7b-sft mkdir -p /mnt/workspace/baichuan-7b-sft-offload-dir git clone https://huggingface.co/hiyouga/baichuan-7b-sft /mnt/workspace/baichuan-7b-sft cd /mnt/workspace/baichuan-7b-sft git lfs install git lfs pull git clone https://github.com/hiyouga/LLaMA-Efficient-Tuning python src/cli_demo.py \ --model_name_or_path /mnt/workspace/baichuan-7b \ --checkpoint_dir /mnt/workspace/baichuan-7b-sft \ --prompt_template ziya
执行结果：
