mirror of
https://github.com/labring/FastGPT.git
synced 2025-07-22 12:20:34 +00:00
124 lines
3.7 KiB
Markdown
124 lines
3.7 KiB
Markdown
---
|
||
title: '接入 ChatGLM2-6B'
|
||
description: ' 将 FastGPT 接入私有化模型 ChatGLM2-6B'
|
||
icon: 'model_training'
|
||
draft: false
|
||
toc: true
|
||
weight: 910
|
||
---
|
||
|
||
## 前言
|
||
|
||
FastGPT 允许你使用自己的 OpenAI API KEY 来快速调用 OpenAI 接口，目前集成了 GPT-3.5, GPT-4 和 embedding，可构建自己的知识库。但考虑到数据安全的问题，我们并不能将所有的数据都交付给云端大模型。
|
||
|
||
那么如何在 FastGPT 上接入私有化模型呢？本文就以清华的 ChatGLM2 为例，为各位讲解如何在 FastGPT 中接入私有化模型。
|
||
|
||
## ChatGLM2-6B 简介
|
||
|
||
ChatGLM2-6B 是开源中英双语对话模型 ChatGLM-6B 的第二代版本，具体介绍可参阅 [ChatGLM2-6B 项目主页](https://github.com/THUDM/ChatGLM2-6B)。
|
||
|
||
{{% alert context="warning" %}}
|
||
注意，ChatGLM2-6B 权重对学术研究完全开放，在获得官方的书面许可后，亦允许商业使用。本教程只是介绍了一种用法，无权给予任何授权！
|
||
{{% /alert %}}
|
||
|
||
## 推荐配置
|
||
|
||
依据官方数据，同样是生成 8192 长度，量化等级为 FP16 要占用 12.8GB 显存、int8 为 8.1GB 显存、int4 为 5.1GB 显存，量化后会稍微影响性能，但不多。
|
||
|
||
因此推荐配置如下：
|
||
|
||
{{< table "table-hover table-striped-columns" >}}
|
||
| 类型 | 内存 | 显存 | 硬盘空间 | 启动命令 |
|
||
|------|---------|---------|----------|--------------------------|
|
||
| fp16 | >=16GB | >=16GB | >=25GB | python openai_api.py 16 |
|
||
| int8 | >=16GB | >=9GB | >=25GB | python openai_api.py 8 |
|
||
| int4 | >=16GB | >=6GB | >=25GB | python openai_api.py 4 |
|
||
{{< /table >}}
|
||
|
||
## 部署
|
||
|
||
### 环境要求
|
||
|
||
- Python 3.8.10
|
||
- CUDA 11.8
|
||
- 科学上网环境
|
||
|
||
### 源码部署
|
||
|
||
1. 根据上面的环境配置配置好环境，具体教程自行 GPT；
|
||
2. 下载 [python 文件](https://github.com/labring/FastGPT/blob/main/files/models/ChatGLM2/openai_api.py)
|
||
3. 在命令行输入命令 `pip install -r requirments.txt`；
|
||
4. 打开你需要启动的 py 文件，在代码的第 76 行配置 token，这里的 token 只是加一层验证，防止接口被人盗用；
|
||
5. 执行命令 `python openai_api.py 16`。这里的数字根据上面的配置进行选择。
|
||
|
||
然后等待模型下载，直到模型加载完毕为止。如果出现报错先问 GPT。
|
||
|
||
启动成功后应该会显示如下地址：
|
||
|
||
|
||
|
||
> 这里的 `http://0.0.0.0:6006` 就是连接地址。
|
||
|
||
### docker 部署
|
||
|
||
**镜像和端口**
|
||
|
||
+ 镜像名: `stawky/chatglm2:latest`
|
||
+ 国内镜像名: `registry.cn-hangzhou.aliyuncs.com/fastgpt_docker/chatglm2:latest`
|
||
+ 端口号: 6006
|
||
|
||
```
|
||
# 设置安全凭证（即oneapi中的渠道密钥）
|
||
默认值：sk-aaabbbcccdddeeefffggghhhiiijjjkkk
|
||
也可以通过环境变量引入：sk-key。有关docker环境变量引入的方法请自寻教程，此处不再赘述。
|
||
```
|
||
|
||
## 接入 One API
|
||
|
||
为 chatglm2 添加一个渠道，参数如下：
|
||
|
||
|
||
|
||
这里我填入 chatglm2 作为语言模型
|
||
|
||
## 测试
|
||
|
||
curl 例子：
|
||
|
||
```bash
|
||
curl --location --request POST 'https://domain/v1/chat/completions' \
|
||
--header 'Authorization: Bearer sk-aaabbbcccdddeeefffggghhhiiijjjkkk' \
|
||
--header 'Content-Type: application/json' \
|
||
--data-raw '{
|
||
"model": "chatglm2",
|
||
"messages": [{"role": "user", "content": "Hello!"}]
|
||
}'
|
||
```
|
||
|
||
Authorization 为 sk-aaabbbcccdddeeefffggghhhiiijjjkkk。model 为刚刚在 One API 填写的自定义模型。
|
||
|
||
## 接入 FastGPT
|
||
|
||
修改 config.json 配置文件，在 VectorModels 中加入 chatglm2 模型：
|
||
|
||
```json
|
||
"ChatModels": [
|
||
//已有模型
|
||
{
|
||
"model": "chatglm2",
|
||
"name": "chatglm2",
|
||
"contextMaxToken": 8000,
|
||
"quoteMaxToken": 4000,
|
||
"maxTemperature": 1.2,
|
||
"price": 0,
|
||
"defaultSystem": ""
|
||
}
|
||
]
|
||
```
|
||
|
||
## 测试使用
|
||
|
||
chatglm2 模型的使用方法如下：
|
||
|
||
模型选择 chatglm2 即可
|