选择模型与训练方法
NLP大模型
NLP大模型主要用于处理和理解人类语言，能够实现对话问答、文案生成和阅读理解等任务，并具备逻辑推理、代码生成以及插件调用等高阶能力。
NLP大模型提供了基模型和功能模型两种类型：
- 基模型：已经在大量数据上进行了预训练，学习并理解了各种复杂特征和模式。这些模型可以作为其他任务的基础，例如阅读理解、文本生成和情感分析等。基模型本身不具备对话问答能力。
- 功能模型：在基模型的基础上进行微调，以适应特定任务。功能模型具备对话问答能力，并经过特定场景的优化，能够更好地处理文案生成、阅读理解和代码生成等任务。
功能模型无需额外训练即可直接用于客户任务，而基模型则需要经过微调训练才能应用。NLP大模型不仅支持预训练和微调，还可以通过如下训练途径来构建满足客户需求的“用户模型”。
除基模型、功能模型这两种模型划分途径外，NLP大模型还提供了多种系列的模型，不同系列模型在能力上有所差异，可执行的训练操作也有所不同。
|
训练任务 |
N1 |
N2 |
N4 |
|---|---|---|---|
|
预训练 |
× |
× |
× |
|
微调 |
√ |
√ |
√ |
不同系列的模型，对文本长度的处理也各有差异，选择合适的模型能够处理特定长度的文本，从而提高模型的整理效果。
|
模型类别 |
模型 |
token |
简介 |
|---|---|---|---|
|
NLP大模型 |
盘古-NLP-N1-基础功能模型-32K |
部署可选4096、32768 |
基于NLP-N1-基模型训练的基础功能模型，具备文案生成、多轮对话、实体抽取、翻译、知识问答等大模型通用能力，具有32K上下文能力，可外推至128K。 |
|
盘古-NLP-N2-基础功能模型-4K |
4096 |
基于NLP-N2-基模型训练的基础功能模型，具备文案生成、多轮对话、实体抽取、翻译、知识问答等大模型通用能力。 |
|
|
盘古-NLP-N2-基础功能模型-32K |
32768 |
基于NLP-N2-基模型训练的基础功能模型，具备文案生成、多轮对话、实体抽取、翻译、知识问答等大模型通用能力。 |
|
|
盘古-NLP-N4-基础功能模型-4K |
4096 |
基于NLP-N4-基模型训练的基础功能模型，具备文案生成、多轮对话、实体抽取、翻译、知识问答等大模型通用能力，具有4K上下文能力。 |
|
|
盘古-NLP-BI专业大模型-4K |
4096 |
基于NLP-N2-基础功能模型运用特定专业代码数据训练后的BI专业大模型，具有4K上下文能力。 |
|
|
盘古-NLP-BI专业大模型-32K |
32768 |
基于NLP-N2-基础功能模型运用特定专业代码数据训练后的BI专业大模型，具有32K上下文能力。 |
|
|
盘古-NLP-N2单场景模型-4K |
4096 |
基于NLP-N2-基模型训练的单场景模型，可支持选择一个场景进行推理，如：搜索RAG方案等，具有4K上下文能力。 |
|
|
盘古-NLP-N2单场景模型-32K |
32768 |
基于NLP-N2-基模型训练的单场景模型，可支持选择一个场景进行推理，如：搜索RAG方案等，具有32K上下文能力。 |
NLP大模型训练过程中，一般使用token来描述模型可以处理的文本长度。token（令牌）是指模型处理和生成文本的基本单位。token可以是词或者字符的片段。模型的输入和输出的文本都会被转换成token，然后根据模型的概率分布进行采样或计算。不同系列模型在读取中文和英文内容时，字符长度转换为token长度的转换比如下。以N1为例，盘古模型1token≈0.75个英文单词，1token≈1.5汉字。
|
模型规格 |
token比（token/英文单词） |
token比（token/汉字） |
|---|---|---|
|
N1系列模型 |
0.75 |
1.5 |
|
N2系列模型 |
0.88 |
1.24 |
|
N3系列模型 |
0.77 |
1 |
|
N4系列模型 |
0.75 |
1.5 |
