為各類數據中心提供出...
歡迎閱讀我們關于使用 Ollama 運行 Qwen2:7b 的教程。在本指南中，我們將使用捷智算平臺提供的我們最喜歡的 GPU 之一 A5000，您會很高興發現該型號在性能上如何超越 Mistral 和 Llama3。
A5000由 NVIDIA 提供支持，基于安培架構，是一款功能強大的 GPU，可以增強渲染、圖形、AI 和計算工作負載的性能。A5000 提供 8192 個 CUDA 核心和 24 GB GDDR6 內存，提供卓越的計算能力和內存帶寬。
A5000 支持實時光線追蹤、AI 增強型工作流程以及 NVIDIA 的 CUDA 和 Tensor 核心等高級功能，可提高性能。憑借其強大的功能，A5000 非常適合處理復雜的模擬、大規模數據分析和渲染高分辨率圖形。
Qwen2-7b 是什么？
Qwen2 是最新推出的大型語言模型系列，提供基礎模型和指令調優版本，參數范圍從 5 億到 720 億，其中包括一個 Mixture-of-Experts 模型。該模型最棒的地方是它在 Hugging Face 上開源了。
與 Qwen1.5 等其他開源模型相比，Qwen2 在語言理解、生成、多語言能力、編碼、數學和推理等各種基準測試中均表現優異。Qwen2 系列基于Transformer架構，并進行了 SwiGLU 激活、注意 QKV 偏差、組查詢注意和改進的標記器等增強功能，可適應多種語言和代碼。
此外，據說 Qwen2-72B 在所有測試基準中的表現都遠遠優于 Meta 的Llama3-70B 。
Qwen 性能比較
下圖顯示了 Qwen2-72B-Instruct 在各個領域的不同基準測試中的綜合評估。該模型在增強能力和符合人類價值觀之間取得了平衡。此外，該模型在所有基準測試中的表現都顯著優于 Qwen1.5-72B-Chat，與 Llama-3-70B-Instruct 相比也表現出了競爭力。即使是較小的 Qwen2 模型也超越了類似或更大尺寸的最先進的模型。Qwen2-7B-Instruct 在各個基準測試中保持優勢，尤其是在編碼和中文相關指標方面表現出色。
Qwen 性能比較
可用型號
Qwen2 在包含英語和中文等 29 種語言的數據集上進行訓練，有 5 種參數大小：0.5B、1.5B、7B、57B 和 72B。7B 和 72B 模型的上下文長度已擴展至 128k 個 token。
Qwen2 系列包括五種不同尺寸的基礎模型和指令調整模型
Ollama簡介
本文將向您展示使用 Ollama 運行 Qwen2 的最簡單方法。Ollama 是一個開源項目，它提供了一個用戶友好的平臺，用于在您的個人計算機上或使用捷智算平臺等平臺執行大型語言模型 (LLM)。
Ollama 提供對各種預訓練模型庫的訪問，可在不同的操作系統上輕松安裝和設置，并公開本地 API 以無縫集成到應用程序和工作流程中。用戶可以自定義和微調 LLM，通過硬件加速優化性能，并受益于交互式用戶界面以實現直觀的交互。
使用 Ollama 在捷智算平臺上運行 Qwen2-7b
在開始之前，讓我們先檢查一下 GPU 規格。
nvidia-smi
顯示 NVIDIA A5000 規格
接下來，打開一個終端，我們將開始下載 Ollama。要下載 Ollama，請將以下代碼粘貼到終端中，然后按 Enter。
curl -fsSL https://ollama.com/install.sh | sh
這行代碼將開始下載 Ollama。
完成后，清除屏幕，鍵入以下命令，然后按回車鍵運行模型。
ollama run qwen2:7b
如果出現錯誤：無法連接到 ollama 應用程序，它是否正在運行？嘗試運行以下代碼，這將有助于啟動 ollama 服務
ollama serve
并打開另一個終端并再次嘗試該命令。
或者嘗試通過運行以下命令手動啟用 systemctl 服務。
sudo systemctl enable ollama
sudo systemctl start ollama
現在，我們可以運行模型進行推理。
ollama run qwen2:7b
這將下載模型的各個層，另外請注意這是一個量化模型。因此下載過程不會花費太多時間。
接下來，我們將開始使用我們的模型來回答一些問題并檢查模型如何工作。
為斐波那契數列編寫一個 Python 代碼。
Qwen2:7b 模型生成的斐波那契的 Python 代碼
請隨意嘗試其他型號版本，但 7b 是最新版本且可與 Ollama 一起使用。
該模型在各方面都表現出了令人印象深刻的性能，與早期模型相比，整體性能與 GPT 相當。
測試數據來自 Jailbreak，并翻譯成多種語言，用于評估。值得注意的是，Llama-3 在多語言提示下表現不佳，因此被排除在比較之外。研究結果表明，Qwen2-72B-Instruct 模型達到了與 GPT-4 相當的安全水平，并且根據顯著性檢驗（P 值），其表現明顯優于Mistral-8x22B模型。
大型模型在四類多語言不安全查詢中產生的有害響應發生情況：非法活動、欺詐、色情和隱私暴力
結論
總之，我們可以說 Qwen2-72B-Instruct 模型在各種基準測試中都表現出色。值得注意的是，Qwen2-72B-Instruct 超越了之前的迭代，例如 Qwen1.5-72B-Chat，甚至可以與 GPT-4 等最先進的模型相媲美，這從顯著性測試結果中可以看出。此外，它的表現明顯優于 Mistral-8x22B 等模型，凸顯了其在確保多語言環境中的安全性方面的有效性。
展望未來，Qwen2 等大型語言模型的使用量迅速增長，預示著未來人工智能驅動的應用和解決方案將變得越來越復雜。這些模型有可能徹底改變各個領域，包括自然語言理解、生成、多語言交流、編碼、數學和推理。隨著這些模型的不斷進步和完善，我們可以預見人工智能技術將取得更大的進步，從而開發出更智能、更像人類的系統，更好地滿足社會需求，同時遵守道德和安全標準。
