由清華技術成果轉化的公司智譜 AI 宣布開源了 GLM 系列模型的新成員 ——中英雙語對話模型 ChatGLM-6B，支持在單張消費級顯卡上進行推理使用。這是繼此前開源 GLM-130B 千億基座模型之后，智譜 AI 再次推出大模型方向的研究成果。

此外，基于千億基座的 ChatGLM 線上模型目前也在 chatglm.cn 進行邀請制內測，用戶需要使用邀請碼進行注冊，也可以填寫基本信息申請內測。

根據介紹，ChatGLM-6B 是一個開源的、支持中英雙語問答的對話語言模型，并針對中文進行了優化。該模型基于 General Language Model (GLM)架構，具有 62 億參數。結合模型量化技術，用戶可以在消費級的顯卡上進行本地部署（INT4 量化級別下最低只需 6GB 顯存）。

ChatGLM-6B 使用了和 ChatGLM 相同的技術，針對中文問答和對話進行了優化。經過約 1T 標識符的中英雙語訓練，輔以監督微調、反饋自助、人類反饋強化學習等技術的加持，62 億參數的 ChatGLM-6B 雖然規模不及千億模型，但大大降低了推理成本，提升了效率，并且已經能生成相當符合人類偏好的回答。

ChatGLM-6B 具備以下特點：

充分的中英雙語預訓練：ChatGLM-6B 在 1:1 比例的中英語料上訓練了 1T 的 token 量，兼具雙語能力。

優化的模型架構和大小：吸取 GLM-130B 訓練經驗，修正了二維 RoPE 位置編碼實現，使用傳統 FFN 結構。6B（62 億）的參數大小，也使得研究者和個人開發者自己微調和部署 ChatGLM-6B 成為可能。

較低的部署門檻：FP16 半精度下，ChatGLM-6B 需要至少 13 GB 的顯存進行推理，結合模型量化技術，這一需求可以進一步降低到 10GB（INT8） 和 6GB（INT4），使得 ChatGLM-6B 可以部署在消費級顯卡上。

更長的序列長度：相比 GLM-10B（序列長度 1024），ChatGLM-6B 序列長度達 2048，支持更長對話和應用。

人類意圖對齊訓練：使用了監督微調（Supervised Fine-Tuning）、反饋自助（Feedback Bootstrap）、人類反饋強化學習（Reinforcement Learning from Human Feedback）等方式，使模型初具理解人類指令意圖的能力。輸出格式為 markdown，方便展示。

基于以上特點，ChatGLM-6B 在一定條件下具備較好的對話與問答能力。ChatGLM-6B 的對話效果展示如下：

不過由于 ChatGLM-6B 模型的容量較小，不可避免地存在一些局限和不足，包括：

相對較弱的模型記憶和語言能力。在面對許多事實性知識任務時，ChatGLM-6B 可能會生成不正確的信息，也不太擅長邏輯類問題（如數學、編程）的解答。

可能會產生有害說明或有偏見的內容：ChatGLM-6B 只是一個初步與人類意圖對齊的語言模型，可能會生成有害、有偏見的內容。

較弱的多輪對話能力：ChatGLM-6B 的上下文理解能力還不夠充分，在面對長答案生成和多輪對話的場景時，可能會出現上下文丟失和理解錯誤的情況。

相比起 ChatGLM-6B，ChatGLM 參考了 ChatGPT 的設計思路，在千億基座模型 GLM-130B 中注入了代碼預訓練，通過有監督微調（Supervised Fine-Tuning）等技術實現人類意圖對齊。ChatGLM 線上模型的能力提升主要來源于獨特的千億基座模型 GLM-130B。它采用了不同于 BERT、GPT-3 以及 T5 的 GLM 架構，是一個包含多目標函數的自回歸預訓練模型。

GLM 團隊表示，2022 年 11 月，斯坦福大學大模型中心對全球 30 個主流大模型進行了全方位的評測，GLM-130B 是亞洲唯一入選的大模型。在與 OpenAI、Google Brain、微軟、英偉達、Meta AI 的各大模型對比中，評測報告顯示 GLM-130B 在準確性和公平性指標上與 GPT-3 175B (davinci) 接近或持平，魯棒性、校準誤差和無偏性則優于 GPT-3 175B。

由 ChatGLM 生成的對話效果展示：

不過 GLM 團隊也坦言，整體來說 ChatGLM 距離國際頂尖大模型研究和產品（比如 OpenAI 的 ChatGPT 及下一代 GPT 模型）還存在一定的差距。該團隊表示，將持續研發并開源更新版本的 ChatGLM 和相關模型。“歡迎大家下載 ChatGLM-6B，基于它進行研究和（非商用）應用開發。GLM 團隊希望能和開源社區研究者和開發者一起，推動大模型研究和應用在中國的發展。”

審核編輯 ：李倩