From 851640a63a854d546bf6850d70389c218fb85c6e Mon Sep 17 00:00:00 2001 From: YE Date: Sun, 11 Oct 2026 18:23:22 +0900 Subject: [PATCH] docs: add Simplified Chinese translation (README.zh.md) Signed-off-by: YE --- README.md | 4 + README.zh.md | 388 +++++++++++++++++++++++++++++++++++++++++++++++++++ 2 files changed, 392 insertions(+) create mode 100644 README.zh.md diff --git a/README.md b/README.md index 6510b8ab7..0c71df023 100644 --- a/README.md +++ b/README.md @@ -1,6 +1,10 @@ # FastChat | [**Demo**](https://lmarena.ai/) | [**Discord**](https://discord.gg/6GXcFg3TH8) | [**X**](https://x.com/lmsysorg) | +

+ English · 简体中文 +

+ FastChat is an open platform for training, serving, and evaluating large language model based chatbots. - FastChat powers Chatbot Arena ([lmarena.ai](https://lmarena.ai)), serving over 10 million chat requests for 70+ LLMs. - Chatbot Arena has collected over 1.5M human votes from side-by-side LLM battles to compile an online [LLM Elo leaderboard](https://lmarena.ai/?leaderboard). diff --git a/README.zh.md b/README.zh.md new file mode 100644 index 000000000..eb1203bbe --- /dev/null +++ b/README.zh.md @@ -0,0 +1,388 @@ +# FastChat +| [**在线演示 (Demo)**](https://lmarena.ai/) | [**Discord**](https://discord.gg/6GXcFg3TH8) | [**X (Twitter)**](https://x.com/lmsysorg) | + +

+ English · 简体中文 +

+ +FastChat 是一个用于训练、部署和评估基于大语言模型（LLM）的聊天机器人的开源平台。 +- FastChat 支撑了 Chatbot Arena（[lmarena.ai](https://lmarena.ai)），为 70 多个大语言模型处理了超过 1000 万次聊天请求。 +- Chatbot Arena 通过模型并排对战收集了超过 150 万次真实人类偏好投票，构建了在线 [LLM Elo 竞技场天梯榜](https://lmarena.ai/?leaderboard)。 + +FastChat 的核心特性包括： +- 前沿模型的训练与评测代码（例如 Vicuna、MT-Bench）。 +- 具备 Web UI 与兼容 OpenAI 的 RESTful API 的分布式多模型服务系统。 + +## 最新动态 +- [2024/03] 🔥 我们发布了 Chatbot Arena 技术[报告](https://arxiv.org/abs/2403.04132)。 +- [2023/09] 我们开源了 **LMSYS-Chat-1M**，这是一个大规模真实世界 LLM 对话数据集。阅读[报告](https://arxiv.org/abs/2309.11998)。 +- [2023/08] 我们发布了基于 Llama 2 的 **Vicuna v1.5**，支持 4K 和 16K 上下文长度。下载[权重](#vicuna-权重)。 +- [2023/07] 我们开源了 **Chatbot Arena 对话数据集**，包含 3.3 万条带有人类偏好标注的对话。在此[下载](https://huggingface.co/datasets/lmsys/chatbot_arena_conversations)。 + +
+更多历史动态 + +- [2023/08] 我们发布了基于 Llama 2 的 **LongChat v1.5**，支持 32K 上下文长度。下载[权重](#longchat)。 +- [2023/06] 我们推出了 **MT-bench**，一个用于评估聊天机器人的多轮挑战性评测集。查看博客[文章](https://lmsys.org/blog/2023-06-22-leaderboard/)。 +- [2023/06] 我们推出了 **LongChat**，长上下文聊天机器人及其评测工具。查看博客[文章](https://lmsys.org/blog/2023-06-29-longchat/)。 +- [2023/05] 我们推出了用于 LLM 竞技对战的 **Chatbot Arena**。查看博客[文章](https://lmsys.org/blog/2023-05-03-arena)。 +- [2023/03] 我们发布了 **Vicuna：一款达到 ChatGPT 90% 质量并给 GPT-4 留下深刻印象的开源聊天机器人**。查看博客[文章](https://vicuna.lmsys.org)。 + +
+ + + +## 目录 +- [安装](#安装) +- [模型权重](#模型权重) +- [命令行界面推理](#命令行界面推理) +- [使用 Web GUI 提供服务](#使用-web-gui-提供服务) +- [启动 Chatbot Arena（双模型竞技对战界面）](#启动-chatbot-arena双模型竞技对战界面) +- [API 服务](#api-服务) +- [模型评测](#模型评测) +- [微调](#微调) +- [引用](#引用) + +## 安装 + +### 方式 1：使用 pip + +```bash +pip3 install "fschat[model_worker,webui]" +``` + +### 方式 2：从源码安装 + +1. 克隆本仓库并进入 FastChat 目录 +```bash +git clone https://github.com/lm-sys/FastChat.git +cd FastChat +``` + +如果在 Mac 上运行： +```bash +brew install rust cmake +``` + +2. 安装软件包 +```bash +pip3 install --upgrade pip # 启用 PEP 660 支持 +pip3 install -e ".[model_worker,webui]" +``` + +## 模型权重 +### Vicuna 权重 +[Vicuna](https://lmsys.org/blog/2023-03-30-vicuna/) 基于 Llama 2，应在 Llama 的[模型许可协议](https://github.com/facebookresearch/llama/blob/main/LICENSE)下使用。 + +你可以使用以下命令开始聊天。它会自动从 Hugging Face 仓库下载权重。 +下载的权重会存储在用户主目录下的 `.cache` 文件夹中（例如 `~/.cache/huggingface/hub/`）。 + +有关更多命令选项以及如何处理显存不足问题，请参阅下方的“命令行界面推理”部分。 + +**注意：16K 版本需要 `transformers>=4.31`。** + +| 规格 | 聊天命令 | Hugging Face 仓库 | +| --- | --- | --- | +| 7B | `python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5` | [lmsys/vicuna-7b-v1.5](https://huggingface.co/lmsys/vicuna-7b-v1.5) | +| 7B-16k | `python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5-16k` | [lmsys/vicuna-7b-v1.5-16k](https://huggingface.co/lmsys/vicuna-7b-v1.5-16k) | +| 13B | `python3 -m fastchat.serve.cli --model-path lmsys/vicuna-13b-v1.5` | [lmsys/vicuna-13b-v1.5](https://huggingface.co/lmsys/vicuna-13b-v1.5) | +| 13B-16k | `python3 -m fastchat.serve.cli --model-path lmsys/vicuna-13b-v1.5-16k` | [lmsys/vicuna-13b-v1.5-16k](https://huggingface.co/lmsys/vicuna-13b-v1.5-16k) | +| 33B | `python3 -m fastchat.serve.cli --model-path lmsys/vicuna-33b-v1.3` | [lmsys/vicuna-33b-v1.3](https://huggingface.co/lmsys/vicuna-33b-v1.3) | + +**历史权重**：所有版本的权重及其区别请参阅 [docs/vicuna_weights_version.md](docs/vicuna_weights_version.md)。 + +### 其他模型 +除 Vicuna 外，我们还开源了另外两个模型：[LongChat](https://lmsys.org/blog/2023-06-29-longchat/) 与 FastChat-T5。 +你可以使用以下命令与它们对话。程序会自动从 Hugging Face 仓库下载权重。 + +| 模型 | 聊天命令 | Hugging Face 仓库 | +| --- | --- | --- | +| LongChat-7B | `python3 -m fastchat.serve.cli --model-path lmsys/longchat-7b-32k-v1.5` | [lmsys/longchat-7b-32k](https://huggingface.co/lmsys/longchat-7b-32k-v1.5) | +| FastChat-T5-3B | `python3 -m fastchat.serve.cli --model-path lmsys/fastchat-t5-3b-v1.0` | [lmsys/fastchat-t5-3b-v1.0](https://huggingface.co/lmsys/fastchat-t5-3b-v1.0) | + +## 命令行界面推理 + + + +（实验性功能：你可以指定 `--style rich` 以启用富文本输出，并在某些非 ASCII 内容上获得更好的流式文本体验。该功能在部分终端上可能无法正常工作。） + +#### 支持的模型 +FastChat 支持广泛的模型，包括： +LLama 2、Vicuna、Alpaca、Baize、ChatGLM、Dolly、Falcon、FastChat-T5、GPT4ALL、Guanaco、MTP、OpenAssistant、OpenChat、RedPajama、StableLM、WizardLM、xDAN-AI 等。 + +完整的支持模型列表以及添加新模型的说明请参阅[此处](docs/model_support.md)。 + +#### 单 GPU +运行以下命令对于 Vicuna-7B 大约需要 14GB 显存，对于 Vicuna-13B 大约需要 28GB 显存。 +如果显存不足，请参阅下方的[显存不足](#显存不足)部分。 +`--model-path` 可以是本地文件夹路径，也可以是 Hugging Face 仓库名称。 +``` +python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 +``` + +#### 多 GPU +你可以使用模型并行将同一台机器上多个 GPU 的显存聚合使用。 +``` +python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --num-gpus 2 +``` + +提示： +有时 huggingface/transformers 中的“auto”设备映射策略无法完全均衡各个 GPU 之间的显存分配。 +你可以使用 `--max-gpu-memory` 指定每个 GPU 用于存储模型权重的最大显存。 +这样可以为激活值（activations）分配更多显存，从而支持更长的上下文长度或更大的批次大小（batch size）。例如： + +``` +python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --num-gpus 2 --max-gpu-memory 8GiB +``` + +#### 仅 CPU +仅在 CPU 上运行，不需要 GPU。运行 Vicuna-7B 约需 30GB CPU 内存，运行 Vicuna-13B 约需 60GB CPU 内存。 +``` +python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --device cpu +``` + +使用 Intel AI 加速器 AVX512_BF16/AMX 加速 CPU 推理： +``` +CPU_ISA=amx python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --device cpu +``` + +#### Metal 后端（搭载 Apple Silicon 或 AMD GPU 的 Mac 电脑） +使用 `--device mps` 在 Mac 电脑上启用 GPU 加速（需要 torch >= 2.0）。 +使用 `--load-8bit` 开启 8-bit 量化压缩。 +``` +python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --device mps --load-8bit +``` +Vicuna-7B 可以在配备 32GB 内存的 M1 Macbook 上以每秒 1 - 2 个词的速度运行。 + +#### Intel XPU（Intel 数据中心和 Arc A 系列 GPU） +安装 [Intel Extension for PyTorch](https://intel.github.io/intel-extension-for-pytorch/xpu/latest/tutorials/installation.html)。配置 OneAPI 环境变量： +``` +source /opt/intel/oneapi/setvars.sh +``` + +使用 `--device xpu` 启用 XPU/GPU 加速。 +``` +python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --device xpu +``` +Vicuna-7B 可以在 Intel Arc A770 16GB 上运行。 + +#### 华为昇腾 NPU +安装 [Ascend PyTorch Adapter](https://github.com/Ascend/pytorch)。配置 CANN 环境变量： +``` +source /usr/local/Ascend/ascend-toolkit/set_env.sh +``` + +使用 `--device npu` 启用 NPU 加速。 +``` +python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --device npu +``` +Vicuna-7B/13B 可以在华为昇腾 NPU 上运行。 + +#### 显存不足 +如果显存不足，可以通过在上述命令中添加 `--load-8bit` 来启用 8-bit 压缩。 +这可以在轻微降低模型质量的前提下，将显存占用减半。 +该选项兼容 CPU、GPU 和 Metal 后端。 + +带 8-bit 压缩的 Vicuna-13B 可以在显存为 16 GB 的单卡上运行，例如 Nvidia RTX 3090、RTX 4080、T4、V100 (16GB) 或 AMD RX 6800 XT。 + +``` +python3 -m fastchat.serve.cli --model-path lmsys/vicuna-7b-v1.5 --load-8bit +``` + +此外，你还可以在上述命令中添加 `--cpu-offloading`，将 GPU 无法容纳的权重卸载（offload）到 CPU 内存中。 +这需要启用 8-bit 压缩并安装 bitsandbytes 软件包，该包仅适用于 Linux 操作系统。 + +#### 更多平台与量化 +- 对于 AMD GPU 用户，请在安装 FastChat 之前安装 ROCm 以及 [ROCm 版 PyTorch](https://pytorch.org/get-started/locally/)。另请参阅此[讨论](https://github.com/lm-sys/FastChat/issues/104#issuecomment-1613791563)。 +- FastChat 支持 ExLlama V2。参见 [docs/exllama_v2.md](docs/exllama_v2.md)。 +- FastChat 支持基于 [GPTQ-for-LLaMa](https://github.com/qwopqwop200/GPTQ-for-LLaMa) 的 GPTQ 4bit 推理。参见 [docs/gptq.md](docs/gptq.md)。 +- FastChat 支持基于 [mit-han-lab/llm-awq](https://github.com/mit-han-lab/llm-awq) 的 AWQ 4bit 推理。参见 [docs/awq.md](docs/awq.md)。 +- [MLC LLM](https://mlc.ai/mlc-llm/) 基于 [TVM Unity](https://github.com/apache/tvm/tree/unity) 编译器，可通过 Vulkan、Metal、CUDA 和 WebGPU 在手机、消费级 GPU 和 Web 浏览器上原生部署 Vicuna。 + +#### 使用来自 ModelScope（魔搭社区）的模型 +对于中国大陆地区用户，可以通过指定以下环境变量使用来自 www.modelscope.cn 的模型： +```bash +export FASTCHAT_USE_MODELSCOPE=True +``` + +## 使用 Web GUI 提供服务 + + + +要使用 Web UI 提供服务，你需要三个主要组件：面向用户的 Web 服务器、托管一个或多个模型的模型工作节点（Model Worker），以及用于协调 Web 服务器与模型工作节点的控制器（Controller）。你可以在[此处](docs/server_arch.md)了解有关架构的更多信息。 + +在终端中依次执行以下命令： + +#### 启动控制器（Controller） +```bash +python3 -m fastchat.serve.controller +``` + +控制器负责管理分布式工作节点。 + +#### 启动模型工作节点（Model Worker） +```bash +python3 -m fastchat.serve.model_worker --model-path lmsys/vicuna-7b-v1.5 +``` +等待进程加载模型完成并显示“Uvicorn running on ...”。模型工作节点会自动向控制器注册。 + +为确保模型工作节点已正确连接到控制器，请使用以下命令发送测试消息： +```bash +python3 -m fastchat.serve.test_message --model-name vicuna-7b-v1.5 +``` +你将看到简短的输出响应。 + +#### 启动 Gradio Web 服务器 +```bash +python3 -m fastchat.serve.gradio_web_server +``` + +这是用户进行交互的前端界面。 + +按照上述步骤操作后，你即可使用 Web UI 提供模型服务。现在你可以打开浏览器并与模型对话了。 +如果模型列表中未显示模型，请尝试重启 gradio web 服务器。 + +## 启动 Chatbot Arena（双模型竞技对战界面） + +目前，Chatbot Arena 由 FastChat 提供技术支持。以下是在本地启动 Chatbot Arena 实例的方法。 + +FastChat 支持主流基于 API 的模型，如 OpenAI、Anthropic、Gemini、Mistral 等。若要添加自定义 API，请参阅模型支持[文档](./docs/model_support.md)。下面以 OpenAI 模型为例。 + +创建一个 JSON 配置文件 `api_endpoint.json`，其中包含你要提供服务的模型的 API 端点，例如： +``` +{ + "gpt-4o-2024-05-13": { + "model_name": "gpt-4o-2024-05-13", + "api_base": "https://api.openai.com/v1", + "api_type": "openai", + "api_key": [Insert API Key], + "anony_only": false + } +} +``` +对于 Anthropic 模型，使用你的 Anthropic Key 并指定 `"api_type": "anthropic_message"`。类似地，对于 Gemini 模型，指定 `"api_type": "gemini"`。更多详情请参见 [api_provider.py](https://github.com/lm-sys/FastChat/blob/main/fastchat/serve/api_provider.py)。 + +若要使用本地 GPU 部署你自己的模型，请遵循[使用 Web GUI 提供服务](#使用-web-gui-提供服务)中的说明。 + +现在即可启动服务器： +``` +python3 -m fastchat.serve.gradio_web_server_multi --register-api-endpoint-file api_endpoint.json +``` + +#### （可选）：进阶功能、扩展性与第三方 UI +- 你可以将多个模型工作节点注册到单个控制器中，用于以更高吞吐量部署单个模型，或同时部署多个模型。这样做时，请为不同的工作节点分配不同的 GPU 和端口。 +``` +# worker 0 +CUDA_VISIBLE_DEVICES=0 python3 -m fastchat.serve.model_worker --model-path lmsys/vicuna-7b-v1.5 --controller http://localhost:21001 --port 31000 --worker http://localhost:31000 +# worker 1 +CUDA_VISIBLE_DEVICES=1 python3 -m fastchat.serve.model_worker --model-path lmsys/fastchat-t5-3b-v1.0 --controller http://localhost:21001 --port 31001 --worker http://localhost:31001 +``` +- 你也可以启动多标签页 Gradio 服务器（包含 Chatbot Arena 竞技对战标签页）： +```bash +python3 -m fastchat.serve.gradio_web_server_multi +``` +- 基于 huggingface/transformers 的默认模型工作节点具备极佳的兼容性，但在某些场景下速度较慢。如果你需要高吞吐量的批处理服务，可以尝试 [vLLM 集成](docs/vllm_integration.md)。 +- 如果你想在自定义 UI 或第三方 UI 上托管，请参阅[第三方 UI](docs/third_party_ui.md)。 + +## API 服务 +### 兼容 OpenAI 的 RESTful API 与 SDK +FastChat 为其支持的模型提供了兼容 OpenAI 的 API，因此你可以将 FastChat 作为本地 OpenAI API 的即插即用替代方案。 +FastChat 服务器同时兼容 [openai-python](https://github.com/openai/openai-python) 库与 cURL 命令行。 +该 REST API 可以在 Google Colab 免费层中运行，具体演示可见本仓库中的 [FastChat_API_GoogleColab.ipynb](https://github.com/lm-sys/FastChat/blob/main/playground/FastChat_API_GoogleColab.ipynb) Notebook。 +详见 [docs/openai_api.md](docs/openai_api.md)。 + +### Hugging Face Generation API +参见 [fastchat/serve/huggingface_api.py](fastchat/serve/huggingface_api.py)。 + +### LangChain 集成 +参见 [docs/langchain_integration.md](docs/langchain_integration.md)。 + +## 模型评测 +我们使用 MT-bench（一套具有挑战性的多轮开放式问题集）来评估模型。 +为了实现评测过程的自动化，我们使用 GPT-4 等强语言模型充当裁判（LLM-as-a-judge），对模型的回复质量进行打分。 +运行 MT-bench 的详细说明请参见 [fastchat/llm_judge](fastchat/llm_judge)。 + +MT-bench 是评估模型的全新推荐方式。如果你仍在寻找 Vicuna 博客文章中使用的旧版 80 道问题，请前往 [vicuna-blog-eval](https://github.com/lm-sys/vicuna-blog-eval)。 + +## 微调 +### 数据 + +Vicuna 是通过使用从 ShareGPT.com 收集的约 12.5 万条公开用户对话数据，对 Llama 基础模型进行微调而构建的。为确保数据质量，我们将 HTML 转回 Markdown，并过滤掉部分不合规或低质量的样本。此外，我们还将较长对话切分为适应模型最大上下文长度的较短片段。清洗 ShareGPT 数据的详细说明请查看[此处](docs/commands/data_cleaning.md)。 + +我们不会公开开源 ShareGPT 数据集。如果你想尝试微调代码，可以使用 [dummy_conversation.json](data/dummy_conversation.json) 中的虚拟对话数据进行运行。你可以遵循相同的格式并接入自己的数据。 + +### 代码与超参数 +我们的代码基于 [Stanford Alpaca](https://github.com/tatsu-lab/stanford_alpaca)，并增加了对多轮对话的支持。 +我们使用了与 Stanford Alpaca 类似的超参数。 + +| 超参数 | 全局批次大小 (Global Batch Size) | 学习率 (Learning rate) | 轮数 (Epochs) | 最大长度 (Max length) | 权重衰减 (Weight decay) | +| --- | ---: | ---: | ---: | ---: | ---: | +| Vicuna-13B | 128 | 2e-5 | 3 | 2048 | 0 | + +### 使用本地 GPU 微调 Vicuna-7B + +- 安装依赖 +```bash +pip3 install -e ".[train]" +``` + +- 你可以使用以下命令在 4 张 A100 (40GB) 上训练 Vicuna-7B。将 `--model_name_or_path` 更新为 Llama 权重的实际路径，并将 `--data_path` 更新为数据的实际路径。 +```bash +torchrun --nproc_per_node=4 --master_port=20001 fastchat/train/train_mem.py \ + --model_name_or_path meta-llama/Llama-2-7b-hf \ + --data_path data/dummy_conversation.json \ + --bf16 True \ + --output_dir output_vicuna \ + --num_train_epochs 3 \ + --per_device_train_batch_size 2 \ + --per_device_eval_batch_size 2 \ + --gradient_accumulation_steps 16 \ + --evaluation_strategy "no" \ + --save_strategy "steps" \ + --save_steps 1200 \ + --save_total_limit 10 \ + --learning_rate 2e-5 \ + --weight_decay 0. \ + --warmup_ratio 0.03 \ + --lr_scheduler_type "cosine" \ + --logging_steps 1 \ + --fsdp "full_shard auto_wrap" \ + --fsdp_transformer_layer_cls_to_wrap 'LlamaDecoderLayer' \ + --tf32 True \ + --model_max_length 2048 \ + --gradient_checkpointing True \ + --lazy_preprocess True +``` + +提示： +- 如果你使用的是 FlashAttention 不支持的 V100 GPU，可以使用 [xFormers](https://github.com/facebookresearch/xformers) 中实现的[内存高效注意力（memory-efficient attention）](https://arxiv.org/abs/2112.05682)。安装 xformers 并将上述 `fastchat/train/train_mem.py` 替换为 [fastchat/train/train_xformers.py](fastchat/train/train_xformers.py)。 +- 如果遇到由“FSDP Warning: When using FSDP, it is efficient and recommended... ”引起的显存溢出（OOM），请参阅[此处](https://github.com/huggingface/transformers/issues/24724#issuecomment-1645189539)的解决方案。 +- 如果在模型保存期间遇到显存溢出（OOM），请参阅[此处](https://github.com/pytorch/pytorch/issues/98823)的解决方案。 +- 要开启对常用实验跟踪工具（如 Tensorboard、MLFlow 或 Weights & Biases）的日志记录，请使用 `report_to` 参数，例如传入 `--report_to wandb` 以开启 Weights & Biases 日志记录。 + +### 其他模型、平台与 LoRA 支持 +有关训练其他模型（例如 FastChat-T5）以及使用 LoRA 的更多说明，请参阅 [docs/training.md](docs/training.md)。 + +### 使用 SkyPilot 在任意云平台上进行微调 +[SkyPilot](https://github.com/skypilot-org/skypilot) 是加州大学伯克利分校（UC Berkeley）开发的一个框架，用于在任何云平台（AWS、GCP、Azure、Lambda 等）上轻松且高性价比地运行机器学习工作负载。 +关于如何使用托管竞价型实例（Spot Instances）训练 Vicuna 并节省云上成本，请参阅 [SkyPilot 文档](https://github.com/skypilot-org/skypilot/tree/master/llm/vicuna)。 + +## 引用 +本仓库中的代码（训练、部署与评估）主要针对以下论文开发或衍生自该论文。 +如果本仓库对您的研究或工作有所帮助，请引用： + +``` +@misc{zheng2023judging, + title={Judging LLM-as-a-judge with MT-Bench and Chatbot Arena}, + author={Lianmin Zheng and Wei-Lin Chiang and Ying Sheng and Siyuan Zhuang and Zhanghao Wu and Yonghao Zhuang and Zi Lin and Zhuohan Li and Dacheng Li and Eric. P Xing and Hao Zhang and Joseph E. Gonzalez and Ion Stoica}, + year={2023}, + eprint={2306.05685}, + archivePrefix={arXiv}, + primaryClass={cs.CL} +} +``` + +我们还计划向本仓库添加更多我们的研究成果。 + +--- +*注：本文档由社区志愿者维护（贡献者：[@JasonYeYuhe](https://github.com/JasonYeYuhe)），内容与英文官方文档保持同步（更新时间：2026年10月11日）。如有任何疑问或更新建议，欢迎提交 PR 或 Issue。*