1. 获取Chinese-LLaMA-Alpaca的基座模型

   • 首先，获得Chinese-LLaMA-Alpaca的GitHub页面上的基座模型。
   • 我们的GuwenLLAMA基于Chinese-Alpaca-Pro-1python scripts/merge_llama_with_chinese_lora.py --base_model Chinese-Alpaca-Pro-13B --lora_model lora_from_this_page --output_type huggingface --output_dir path_to_output_dir3B进行了微调，以下是具体的获取方法：
     1. 获取原生的13B LLaMA模型，由于版权原因，我们这里不提供下载链接。
     2. 在Chinese-LLaMA-Alpaca项目的推荐模型下载部分中，选择下载Chinese-LLaMA-Plus-13B和Chinese-Alpaca-Pro-13B这两个模型。
     3. 在Chinese-LLaMA-Alpaca项目的合并模型部分， 将刚才下载的原生LLaMA-13B、Chinese-LLaMA-Plus-13B和Chinese-Alpaca-Pro-13B这三个模型进行合并。合并方法请参考上述链接。 a. 将原版LLaMA模型转换为Hugging Face (HF)格式（如果您下载的原生LLaMA-13B不是HF格式）。 b. 合并LoRA权重，生成全量模型权重，这里同样需要合并成HF格式。

        python scripts/merge_llama_with_chinese_lora.py \
        --base_model 原生LLaMA-13B \
        --lora_model Chinese-LLaMA-Plus-13B , Chinese-Alpaca-Pro-13B \
        --output_type huggingface \
        --output_dir path_to_output_dir
        

2. 通过上述步骤，您已经获得了Chinese-Alpaca-Pro-13B模型，这就是我们任务所使用的基座模型。

3. 接下来，需要将GuwenLLAMA的LoRA模型与Chinese-Alpaca-Pro-13B合并。

   python scripts/merge_llama_with_chinese_lora.py
   --base_model Chinese-Alpaca-Pro-13B
   --lora_model lora_from_this_page
   --output_type huggingface
   --output_dir path_to_output_dir
   

通过这一步，您就获得了可使用的GuwenLLAMA模型。

4. 现在，您可以开始使用GuwenLLAMA进行推理。有关推理方法，请参考项目的相关描述：GuwenLLAMA GitHub页面