README
LLM Research
Enjoy LLM.
项目简介
我们致力于建立一个LLM论文解读笔记仓库，我们将集结LLM领域的经典论文，然后为这些论文提供解读笔记。
通过LLM Research，研究人员可以迅速查阅到LLM领域的重要论文，无需费时费力地查找和筛选。此外，针对(只想粗略浏览LLM领域学术前沿的核心思想的)其他方向的研究人员，本仓库也提供了这些重点论文的相应解读笔记(每篇笔记分为TLDR简版和精读版)，让这部分研究人员必须不花时间去细读每篇原文。
我们已经初步组建好写作小组，并计划于近期三四个月撰写好相应文章的精读笔记。
项目受众
- 想细致学习LLM学习前沿的同学们。
- 对大模型科研感兴趣的研究人员。
- 仅需要对深度学习和NLP有基本了解。
项目亮点
大型语言模型在当今技术领域占据重要地位，其在自然语言处理、文本生成、信息检索等方面的广泛应用不断拓展。随着这一领域的迅速发展，我们意识到研究人员需要一个可供他们快速系统了解LLM基础论文的解读笔记仓库。
如今有许多LLM领域的研究论文，但为了获取全面的了解，研究人员往往需要花费大量时间筛选和阅读这些基础文献。LLM Research 的创立旨在为研究人员提供一个便捷的途径，集结LLM领域的经典论文，并提供论文的解读笔记供简单了解or深入学习这些论文。这种深度解析旨在帮助研究人员更好地理解论文的核心概念，并提供有深度的领域知识。
我们相信，通过LLM Research，研究人员可以更轻松地跟踪LLM领域的最新进展，拓展他们的知识边界。
项目规划
a. 内容规划
我们的项目旨在创建一个系统全面的LLM基础论文解读笔记仓库，以支持对大型语言模型（LLM）领域的学术前沿感兴趣的研究人员。为了实现这一目标，我们已经组建了一个由5名成员组成的小组，专注于整理、深入解析和精读LLM领域的经典论文。想加入的同学们可以加负责人微信: linjh1118_nlp
每一篇精读笔记都将涵盖论文的核心思想、方法和关键贡献，旨在为研究人员提供深刻的理解。每篇笔记将分两个章节，第一个章节是TLDR版，其中将阐述文章的motivation、innovation、insight等核心思想以及核心代码，第二个章节则是全文精读版，这章节的行文逻辑按照原文的行文逻辑来，相当于对每段文章做一个summary，重点要放在methods和discussion，为读者提供一些深度解读。
具体内容见下: 经典论文列表
b. 人力规划
我们的项目将在接下来的三到四个月内进行。在这个时间框架内，我们小组将致力于每周产出5-7篇质量过关的论文笔记。这个周产出计划的目的是确保我们能够迅速而系统地覆盖LLM领域的广泛话题，并为研究人员提供及时的资源。同时，这也有助于确保我们的笔记在质量上经过仔细审查和审核。 此外，为了进一步确保笔记的质量，我们邀请了几位资深老师担任内容审核的角色。这些老师将负责审查、提供反馈，并确保每篇笔记符合标准。通过这一团队构成，我们有信心在规定时间内产出水平过关的经典论文笔记，为研究人员提供有价值的学术资源。
经典论文列表
- Ch1. Parameter-Efficient Fine-Tuning
- Ch2. Full Parameter Fine-Tuning
- Ch3. In-Context-Learning
- Ch4. Prompt Engineering
- Ch5. LLM-based Agent
- Ch6. LLM for Other Tasks
Ch1. Parameter-Efficient Fine-Tuning
目前还没有一个仓库有系统地整理“parameter-efficient-finetuning”领域论文。所以本仓库优先整理了这方面的论文。力求覆盖peft库中的基础微调方式。
1. Low Rank Decomposition Method
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| LoRA: Low-Rank Adaptation of Large Language Models | 2021-10 | arXiv | 1555 | @林景豪 | 12.23 | |
| Adaptive Budget Allocation for Parameter-Efficient Fine-Tuning (AdaLoRA) | 2023-02 | ICLR | 55 | @林景豪 | 12.23 | |
| LongLoRA: Efficient Fine-tuning of Long-Context Large Language Models | 2023-09 | arxiv | 16 | Lora_series_notes | @林景豪 | 12.23 |
| QLoRA: Efficient Finetuning of Quantized LLMs | 2023-05 | arxiv | 224 | @胡锦琛 | 1.17 | |
| Orthogonal Subspace Learning for Language Model Continual Learning(o-lora) | 2023-10 | arxiv | @胡锦琛 | 1.27 | ||
| S-LoRA: Serving Thousands of Concurrent LoRA Adapters | 2023-11 | arxiv | @胡锦琛 | 2.4 |
2. Continuous-Prompt Learning Method
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Prefix-Tuning: Optimizing Continuous Prompts for Generation | 2021-08 | ACL | 1859 | @余绍缘 | 12.30 | |
| GPT Understands, Too (P-Tuning) | 2021-03 | AI Open | 307 | @余绍缘 | 1.6 | |
| The Power of Scale for Parameter-Efficient Prompt Tuning (Prompt-Tuning) | 2021-04 | EMNLP | 1683 | @余绍缘 | 1.13 | |
| P-Tuning v2: Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales and Tasks | 2021-10 | ACL | 220 | @余绍缘 | 1.20 | |
| Late Prompt Tuning: A Late Prompt Could Be Better Than Many Prompts | 2022-10 | EMNLP | 6 | @余绍缘 | 1.27 | |
| Black-Box Tuning for Language-Model-as-a-Service | 2022-06 | ICLR | 100 | @余绍缘 | 2.4 |
3. Adapter Method
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Parameter-Efficient Transfer Learning for NLP (Adapter) | 2019-06 | ICML | 1767 | @王淏 | 12.30 | |
| AdapterHub: A Framework for Adapting Transformers | 2020-07 | EMNLP | @王淏 | 1.6 | ||
4. Mixed Method
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| UniPELT: A Unified Framework for Parameter-Efficient Language Model Tuning | 2022-05 | ACL | 79 | @林景豪 | 12.30 | |
| Towards a Unified View of Parameter-Efficient Transfer Learning | 2022 -02 | ICLR (spotlight) | 385 | @林景豪 | 12.30 | |
Ch2. Full Parameter Fine-Tuning
1. LOMO-series
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Full Parameter Fine-tuning for Large Language Models with Limited Resources | 2023-06 | arXiv | 7 | @王淏 | 12.23 | |
| AdaLomo: Low-memory Optimization with Adaptive Learning Rate | 2023-10 | arXiv | @王淏 | 12.30 | ||
Ch3. In-Context-Learning
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Chain of Thought Prompting Elicits Reasoning in Large Language Models | 2023-01 | Nips2022 | 2141 | @袁鑫喆 | 12.30 | |
| Challenging BIG-Bench Tasks and Whether Chain-of-Thought Can Solve Them | 2022-10 | ACL2022 | 62 | @袁鑫喆 | 1.6 | |
| Automatic Chain of Thought Prompting in Large Language Models | 2022-10 | ICLR2022 | 200 | @袁鑫喆 | 1.13 | |
| Multimodal Chain-of-Thought Reasoning in Language Models | 2023-02 | arxiv | 100 | @袁鑫喆 | 1.20 | |
Ch4. Prompt Engineering
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing | 2021-07 | ACM Computing Surveys | 1640 | ＠胡锦琛 | 12.30 | |
| Exploring Lottery Prompts for Pre-trained Language Models | 2023-05 | ACL | 1 | ＠胡锦琛 | 1.6 | |
| Making Pre-trained Language Models Better Few-shot Learners | 2021-06 | ACL | 1159 | ＠胡锦琛 | 1.13 |
Ch5. LLM-based Agent
Ch6. LLM for Other Tasks
6.1 Relation Extraction
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Revisiting Relation Extraction in the era of Large Language Models | 2023-05 | ACL | 14 | @王淏 | 1.20 | |
6.2 Graph Learning
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| G-Adapter: Towards Structure-Aware Parameter-Efficient Transfer Learning for Graph Transformer Networks | 2023-05 | arXiv | @袁鑫喆 | 1.20 | ||
6.3 Knowledge Graph Reasoning
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Making Large Language Models Perform Better in Knowledge Graph Completion (KoPA from ZJU) | 2023-10 | arXiv | @林景豪 | 1.20 | ||
At last
项目负责人
- 林景豪-项目负责人&核心内容创作者（东北大学研究生） 微信: linjh1118_nlp
- 王淏-项目负责人&核心内容创作者（协和医学院医工所研究生） 微信: Wandering_42
核心贡献者
- 余绍缘 核心内容创作者 (吉林大学)
- 袁鑫喆 核心内容创作者 (吉林大学)
- 胡锦琛 核心内容创作者 (吉林大学)
- 吉林大学 车浩源，李昊天，段云娜老师们 核心内容创作者&审核者
- 东北大学 张富，程经纬老师们 核心内容创作者&审核者
核心审查者
-
非常感谢导师们仔细审查了本仓库的所有笔记内容， 感谢他们的大力支持，同时也感谢吉林大学机器人梦工厂和东北大学IDKE实验室的伙伴们的大力支持
-
非常感谢datawhale组织的好大哥 谢文睿，范晶晶等对本项目的全程支持。
How to contact me?
If you have any questions or want to join us, please do not hesitate to contact me linjh1118@mails.jlu.edu.cn.
相关LLM学习仓库传送门
此外，我们整理了不少优秀的LLM方面的学习仓库，感谢他们的精彩开源贡献，在这里给出介绍和传送门。
- Awesome-LLM仓库由Xin Cheng等人创建，其中汇总了LLM中各方向的高质量论文，同时也包含针对LLM训练，部署应用，入门博客教程等各种资料的地址。
- ICL_PaperList仓库由Qingxiu Dong等人创建，其中汇总了LLM子方向ICL的高质量论文，同时也孵化出了一篇优秀的综述。
- 邹雨衡, 长琴, 玉琳和众多datawhale开源贡献者一起创作了datawhalechina/prompt-engineering-for-developers，详实地介绍了prompt engineering，如何用chatgpt和langchain搭建LLM应用，如何使用 Gradio 搭建生成式 AI 应用等内容。非常推荐一学~
- 邹雨衡的动手写LLM应用开发是一个面向小白开发者的大模型应用开发教程，旨在结合个人知识库助手项目，通过一个课程完成大模型开发的重点入门。此教程不仅包含了很多LLM开发的实战知识，其对LLM各方面基础知识也进行全面介绍。非常推荐一学~
- 长琴 等人的datawhalechina/hugging-llm详细地介绍了ChatGPT原理、使用和应用。读者学习了之后，即可熟练地编写相应代码来调用openai的api进而完成NLP各种下游任务。
- 陈安东和张帆的datawhalechina/so-large-lm对大模型做出了一个详细的综述，介绍了大模型的技术内容(数据准备、模型构建、训练策略到模型评估与改进等方面)，也介绍了大模型的伦理内容(安全、隐私、环境和法律道德等方面)。非常推荐一学。
- 不要葱姜蒜的self-llm针对各类开源大模型提供包括环境配置、本地部署、高效微调等技能在内的全流程指导，简化开源大模型的部署、使用和应用流程，让更多的普通学生、研究者更好地使用开源大模型，帮助开源、自由的大模型更快融入到普通学习者的生活中。通过这个项目，读者可以本地部署大模型(Chatglm3, Yi, Qwen, Baichuan)等实现一些有趣的LLM案例~ 非常推荐一学~
Similar repos
README
LLM Research
Enjoy LLM.
项目简介
我们致力于建立一个LLM论文解读笔记仓库，我们将集结LLM领域的经典论文，然后为这些论文提供解读笔记。
通过LLM Research，研究人员可以迅速查阅到LLM领域的重要论文，无需费时费力地查找和筛选。此外，针对(只想粗略浏览LLM领域学术前沿的核心思想的)其他方向的研究人员，本仓库也提供了这些重点论文的相应解读笔记(每篇笔记分为TLDR简版和精读版)，让这部分研究人员必须不花时间去细读每篇原文。
我们已经初步组建好写作小组，并计划于近期三四个月撰写好相应文章的精读笔记。
项目受众
- 想细致学习LLM学习前沿的同学们。
- 对大模型科研感兴趣的研究人员。
- 仅需要对深度学习和NLP有基本了解。
项目亮点
大型语言模型在当今技术领域占据重要地位，其在自然语言处理、文本生成、信息检索等方面的广泛应用不断拓展。随着这一领域的迅速发展，我们意识到研究人员需要一个可供他们快速系统了解LLM基础论文的解读笔记仓库。
如今有许多LLM领域的研究论文，但为了获取全面的了解，研究人员往往需要花费大量时间筛选和阅读这些基础文献。LLM Research 的创立旨在为研究人员提供一个便捷的途径，集结LLM领域的经典论文，并提供论文的解读笔记供简单了解or深入学习这些论文。这种深度解析旨在帮助研究人员更好地理解论文的核心概念，并提供有深度的领域知识。
我们相信，通过LLM Research，研究人员可以更轻松地跟踪LLM领域的最新进展，拓展他们的知识边界。
项目规划
a. 内容规划
我们的项目旨在创建一个系统全面的LLM基础论文解读笔记仓库，以支持对大型语言模型（LLM）领域的学术前沿感兴趣的研究人员。为了实现这一目标，我们已经组建了一个由5名成员组成的小组，专注于整理、深入解析和精读LLM领域的经典论文。想加入的同学们可以加负责人微信: linjh1118_nlp
每一篇精读笔记都将涵盖论文的核心思想、方法和关键贡献，旨在为研究人员提供深刻的理解。每篇笔记将分两个章节，第一个章节是TLDR版，其中将阐述文章的motivation、innovation、insight等核心思想以及核心代码，第二个章节则是全文精读版，这章节的行文逻辑按照原文的行文逻辑来，相当于对每段文章做一个summary，重点要放在methods和discussion，为读者提供一些深度解读。
具体内容见下: 经典论文列表
b. 人力规划
我们的项目将在接下来的三到四个月内进行。在这个时间框架内，我们小组将致力于每周产出5-7篇质量过关的论文笔记。这个周产出计划的目的是确保我们能够迅速而系统地覆盖LLM领域的广泛话题，并为研究人员提供及时的资源。同时，这也有助于确保我们的笔记在质量上经过仔细审查和审核。 此外，为了进一步确保笔记的质量，我们邀请了几位资深老师担任内容审核的角色。这些老师将负责审查、提供反馈，并确保每篇笔记符合标准。通过这一团队构成，我们有信心在规定时间内产出水平过关的经典论文笔记，为研究人员提供有价值的学术资源。
经典论文列表
- Ch1. Parameter-Efficient Fine-Tuning
- Ch2. Full Parameter Fine-Tuning
- Ch3. In-Context-Learning
- Ch4. Prompt Engineering
- Ch5. LLM-based Agent
- Ch6. LLM for Other Tasks
Ch1. Parameter-Efficient Fine-Tuning
目前还没有一个仓库有系统地整理“parameter-efficient-finetuning”领域论文。所以本仓库优先整理了这方面的论文。力求覆盖peft库中的基础微调方式。
1. Low Rank Decomposition Method
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| LoRA: Low-Rank Adaptation of Large Language Models | 2021-10 | arXiv | 1555 | @林景豪 | 12.23 | |
| Adaptive Budget Allocation for Parameter-Efficient Fine-Tuning (AdaLoRA) | 2023-02 | ICLR | 55 | @林景豪 | 12.23 | |
| LongLoRA: Efficient Fine-tuning of Long-Context Large Language Models | 2023-09 | arxiv | 16 | Lora_series_notes | @林景豪 | 12.23 |
| QLoRA: Efficient Finetuning of Quantized LLMs | 2023-05 | arxiv | 224 | @胡锦琛 | 1.17 | |
| Orthogonal Subspace Learning for Language Model Continual Learning(o-lora) | 2023-10 | arxiv | @胡锦琛 | 1.27 | ||
| S-LoRA: Serving Thousands of Concurrent LoRA Adapters | 2023-11 | arxiv | @胡锦琛 | 2.4 |
2. Continuous-Prompt Learning Method
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Prefix-Tuning: Optimizing Continuous Prompts for Generation | 2021-08 | ACL | 1859 | @余绍缘 | 12.30 | |
| GPT Understands, Too (P-Tuning) | 2021-03 | AI Open | 307 | @余绍缘 | 1.6 | |
| The Power of Scale for Parameter-Efficient Prompt Tuning (Prompt-Tuning) | 2021-04 | EMNLP | 1683 | @余绍缘 | 1.13 | |
| P-Tuning v2: Prompt Tuning Can Be Comparable to Fine-tuning Universally Across Scales and Tasks | 2021-10 | ACL | 220 | @余绍缘 | 1.20 | |
| Late Prompt Tuning: A Late Prompt Could Be Better Than Many Prompts | 2022-10 | EMNLP | 6 | @余绍缘 | 1.27 | |
| Black-Box Tuning for Language-Model-as-a-Service | 2022-06 | ICLR | 100 | @余绍缘 | 2.4 |
3. Adapter Method
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Parameter-Efficient Transfer Learning for NLP (Adapter) | 2019-06 | ICML | 1767 | @王淏 | 12.30 | |
| AdapterHub: A Framework for Adapting Transformers | 2020-07 | EMNLP | @王淏 | 1.6 | ||
4. Mixed Method
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| UniPELT: A Unified Framework for Parameter-Efficient Language Model Tuning | 2022-05 | ACL | 79 | @林景豪 | 12.30 | |
| Towards a Unified View of Parameter-Efficient Transfer Learning | 2022 -02 | ICLR (spotlight) | 385 | @林景豪 | 12.30 | |
Ch2. Full Parameter Fine-Tuning
1. LOMO-series
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Full Parameter Fine-tuning for Large Language Models with Limited Resources | 2023-06 | arXiv | 7 | @王淏 | 12.23 | |
| AdaLomo: Low-memory Optimization with Adaptive Learning Rate | 2023-10 | arXiv | @王淏 | 12.30 | ||
Ch3. In-Context-Learning
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Chain of Thought Prompting Elicits Reasoning in Large Language Models | 2023-01 | Nips2022 | 2141 | @袁鑫喆 | 12.30 | |
| Challenging BIG-Bench Tasks and Whether Chain-of-Thought Can Solve Them | 2022-10 | ACL2022 | 62 | @袁鑫喆 | 1.6 | |
| Automatic Chain of Thought Prompting in Large Language Models | 2022-10 | ICLR2022 | 200 | @袁鑫喆 | 1.13 | |
| Multimodal Chain-of-Thought Reasoning in Language Models | 2023-02 | arxiv | 100 | @袁鑫喆 | 1.20 | |
Ch4. Prompt Engineering
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing | 2021-07 | ACM Computing Surveys | 1640 | ＠胡锦琛 | 12.30 | |
| Exploring Lottery Prompts for Pre-trained Language Models | 2023-05 | ACL | 1 | ＠胡锦琛 | 1.6 | |
| Making Pre-trained Language Models Better Few-shot Learners | 2021-06 | ACL | 1159 | ＠胡锦琛 | 1.13 |
Ch5. LLM-based Agent
Ch6. LLM for Other Tasks
6.1 Relation Extraction
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Revisiting Relation Extraction in the era of Large Language Models | 2023-05 | ACL | 14 | @王淏 | 1.20 | |
6.2 Graph Learning
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| G-Adapter: Towards Structure-Aware Parameter-Efficient Transfer Learning for Graph Transformer Networks | 2023-05 | arXiv | @袁鑫喆 | 1.20 | ||
6.3 Knowledge Graph Reasoning
| Title | Date | Publication | citation | Summary | Notes | Deadline |
|---|---|---|---|---|---|---|
| Making Large Language Models Perform Better in Knowledge Graph Completion (KoPA from ZJU) | 2023-10 | arXiv | @林景豪 | 1.20 | ||
At last
项目负责人
- 林景豪-项目负责人&核心内容创作者（东北大学研究生） 微信: linjh1118_nlp
- 王淏-项目负责人&核心内容创作者（协和医学院医工所研究生） 微信: Wandering_42
核心贡献者
- 余绍缘 核心内容创作者 (吉林大学)
- 袁鑫喆 核心内容创作者 (吉林大学)
- 胡锦琛 核心内容创作者 (吉林大学)
- 吉林大学 车浩源，李昊天，段云娜老师们 核心内容创作者&审核者
- 东北大学 张富，程经纬老师们 核心内容创作者&审核者
核心审查者
-
非常感谢导师们仔细审查了本仓库的所有笔记内容， 感谢他们的大力支持，同时也感谢吉林大学机器人梦工厂和东北大学IDKE实验室的伙伴们的大力支持
-
非常感谢datawhale组织的好大哥 谢文睿，范晶晶等对本项目的全程支持。
How to contact me?
If you have any questions or want to join us, please do not hesitate to contact me linjh1118@mails.jlu.edu.cn.
相关LLM学习仓库传送门
此外，我们整理了不少优秀的LLM方面的学习仓库，感谢他们的精彩开源贡献，在这里给出介绍和传送门。
- Awesome-LLM仓库由Xin Cheng等人创建，其中汇总了LLM中各方向的高质量论文，同时也包含针对LLM训练，部署应用，入门博客教程等各种资料的地址。
- ICL_PaperList仓库由Qingxiu Dong等人创建，其中汇总了LLM子方向ICL的高质量论文，同时也孵化出了一篇优秀的综述。
- 邹雨衡, 长琴, 玉琳和众多datawhale开源贡献者一起创作了datawhalechina/prompt-engineering-for-developers，详实地介绍了prompt engineering，如何用chatgpt和langchain搭建LLM应用，如何使用 Gradio 搭建生成式 AI 应用等内容。非常推荐一学~
- 邹雨衡的动手写LLM应用开发是一个面向小白开发者的大模型应用开发教程，旨在结合个人知识库助手项目，通过一个课程完成大模型开发的重点入门。此教程不仅包含了很多LLM开发的实战知识，其对LLM各方面基础知识也进行全面介绍。非常推荐一学~
- 长琴 等人的datawhalechina/hugging-llm详细地介绍了ChatGPT原理、使用和应用。读者学习了之后，即可熟练地编写相应代码来调用openai的api进而完成NLP各种下游任务。
- 陈安东和张帆的datawhalechina/so-large-lm对大模型做出了一个详细的综述，介绍了大模型的技术内容(数据准备、模型构建、训练策略到模型评估与改进等方面)，也介绍了大模型的伦理内容(安全、隐私、环境和法律道德等方面)。非常推荐一学。
- 不要葱姜蒜的self-llm针对各类开源大模型提供包括环境配置、本地部署、高效微调等技能在内的全流程指导，简化开源大模型的部署、使用和应用流程，让更多的普通学生、研究者更好地使用开源大模型，帮助开源、自由的大模型更快融入到普通学习者的生活中。通过这个项目，读者可以本地部署大模型(Chatglm3, Yi, Qwen, Baichuan)等实现一些有趣的LLM案例~ 非常推荐一学~