RLAMA vs GLM-130B

RLAMA construit des systèmes RAG locaux et des équipes multi-agents depuis votre terminal sur macOS, Linux ou Windows. Vous indexez des dossiers de fichiers PDF, Markdown et code, puis les interrogez via les modèles Ollama, OpenAI ou Hugging Face sans envoyer de données à des serveurs externes. Le projet open source inclut également un constructeur visuel de RAG sur rlama.dev.

La plupart des outils RAG s'arrêtent à la FAQ documentaire. RLAMA ajoute des rôles d'agents, le câblage d'outils et des flux de travail d'équipe afin qu'une session terminale puisse enchaîner chercheurs, rédacteurs et codeurs à travers des étapes séquentielles ou parallèles. La surveillance des répertoires maintient les index RAG à jour lors des modifications de fichiers, et une API HTTP expose les mêmes systèmes à d'autres applications.

Les développeurs construisant des bases de connaissances privées, les équipes de recherche indexant des articles, et les ingénieurs souhaitant une recherche documentaire hors ligne utilisent RLAMA pour les embeddings et le découpage locaux. Les mainteneurs du projet indiquent que le développement actif est en pause, mais l'interface CLI open source et la documentation restent disponibles à l'installation.

GLM-130B propose un modèle de langage bilingue de 130 milliards de paramètres dans la pile de recherche ouverte THUDM construite autour de la recette de pré-entraînement General Language Model (GLM). Les poids ciblent les textes en anglais et en chinois, et le dépôt GitHub fournit le code d'inférence, les tâches d'évaluation et les points de contrôle acceptés à ICLR 2023. Vous pouvez exécuter une génération de gauche à droite ou un remplissage à blanc avec les tokens [MASK] et [gMASK] sur un matériel tenant sur un seul serveur multi-GPU plutôt que via une API propriétaire.

Alors que la plupart des modèles de plus de 100 milliards restent fermés, GLM-130B publie les poids du modèle, les notes d'entraînement et les configurations YAML pour plus de 30 benchmarks. Sa voie de quantification INT4 est optimisée pour que quatre cartes RTX 3090 (24GB) puissent héberger l'inférence avec presque aucune perte de précision, un seuil bien plus bas que la configuration de huit A100 (40GB) utilisée pour les exécutions FP16 complètes. L'objectif d'entraînement combine un remplissage à blanc autorégressif sur 95 % des tokens avec des données d'instruction multitâches issues de T0++ et DeepStruct, ce qui constitue un pari différent du pré-entraînement causal standard de type GPT.

Les chercheurs étudiant le transfert zéro-shot bilingue, la quantification de grands modèles ou les benchmarks reproductibles de LLM tireront le meilleur parti de GLM-130B. Le dépôt se concentre sur les outils d'évaluation et d'inférence plutôt que sur un produit de chat hébergé, bien que THUDM ait ensuite dérivé les travaux de dialogue dans ChatGLM. Prévoyez d'apporter vos propres GPU, un stockage pour un point de contrôle de 260GB et de la patience pour le formulaire de téléchargement des poids.