看到这个标题，你可能会觉得是噱头。谁不知道 chatGpt 模型有 1750 亿以上的参数，别是在笔记本电脑上跑，就是使用高性能 GpU 的台式机，也无法带得动啊。老老实实调用 ApI 不好吗？其实，LL（大语言模型）有非常宽泛的参数量范围。咱们今介绍的这个模型 Gpt4All 只有 70 亿参数，在 LL 里面现在算是妥妥的巧玲珑。不过看这个名字你也能发现，它确实是野心勃勃，照着 chatGpt 的性能去对标的。Gpt4All 基于 ta 的 LLaa 模型训练。你可能立即觉得不对，你这跟 Gpt 有啥关系？为什么要无端蹭热度？且慢，Gpt4All 确实和 chatGpt 有关 —— 它用来微调的训练数据，正是调用 chatGpt 产生的大量问答内容。我怕你对技术细节不感兴趣，因此只用4All 其实就是非常典型的蒸馏（distill）模型 —— 想要模型尽量靠近大模型的性能，又要参数足够少。听起来很贪心，是吧？据开发者自己，Gpt4All 虽，却在某些任务类型上可以和 chatGpt 相媲美。但是，咱们不能只听开发者的一面之辞。还是试试看比较好，你是吧？深度神经网络由多个层组成。每一层包含处理输入数据并通过非线性激活函数（Sigoid 或 ReLU）传递给其他层的神经元。每一层的输出会传递给另一层，在传递给下一层进行进一步处理之前，这一层会对这个中间表示进行某种操作。 这个架构可以分为两个主要部分：输入层和输出层。 输入层 - 这表示一组输入，这些输入被送入人工神经网络（ANN）作为训练数据或测试数据，然后由深度学习算法使用，以根据历史信息（例如过去的交易等）预测未来事件 \/ 结果，这一过程使用输入层及其相关权重。 输出层 - 这表示一组输出，这些输出在经过人工神经网络内部的各个层（例如卷积神经网络、循环神经网络或长短时记忆网络）处理后被送回到 ANN 中，然后由深度学习算法使用，以根据历史信息（例如过去的交易等）预测未来事件 \/ 结果，这一过程使用输出层及其相关权重。 深度学习模型的架构可能会因各种因素而有所不同，例如数据类型、特征数量、目标变量或正在解决的分类问题。transforr 是一类深度学习架构，在自然语言处理（NLp）和其他领域中已变得非常流行，这归功于它们强大的性能和可扩展性。transforr 首次在 Vasani 等人于 2017