清华 ChatGLM-6B 和 ChatGLM2-6B 模型（Model）允许免费商用

7月15日消息，智谱 人工智能（AI） 及清华 KEG 实验室决定，ChatGLM-6B 和 ChatGLM2-6B 权重对学术研究完全开放，并且在完成企业登记获得授权后，允许免费商业使用，登记地址点此进入。

此前报道，清华 自然语言处理 （NLP Natural Language Processing） 团队于 3月14日发布了中英双语对话模型（Model） ChatGLM-6B，初具问答和对话功能。该模型（Model）基于 General Language Model（GLM）架构，具有 62 亿参数。结合模型（Model）量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。

ChatGLM2-6B 模型（Model）于 6月25日发布，在保留了初代模型（Model）对话流畅、部署门槛较低等特性的基础之上，又增加许多新特性：

• 更强大的性能：ChatGLM2-6B 使用了 GLM 的混合目标函数，经过了 1.4T 中英标识符的预训练与人类偏好对齐训练，评测结果显示，相比于初代模型（Model），ChatGLM2-6B 在 MMLU（+23%）、CEval（+33%）、GSM8K（+571%） 、BBH（+60%）等数据集上的性能取得了大幅度的提升（Boosting）。

• 更长的上下文：上下文长度由 ChatGLM-6B 的 2K 扩展到了 32K。

• 更高效的推理（Inference）：推理（Inference）速度相比初代提升（Boosting）了 42%，INT4 量化下，6G 显存支持的对话长度由 1K 提升（Boosting）到了 8K。

• 更开放的协议：ChatGLM2-6B 权重对学术研究完全开放。

ChatGLM2-6B 使用了 Multi-Query Attention，提高了生成速度，同时也降低了生成过程中 KV Cache 的显存占用。同时，ChatGLM2-6B 采用 Causal Mask 进行对话训练，连续对话时可复用前面轮次的 KV Cache，进一步优化（Optimization）了显存占用。

商业广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，所有文章均包含本声明。