【代码】Llama3.1 部署（lmdeploy）与微调（xtuner）

通过 Intern Studio的部署实习，配合实战营 Tutorial 同步完成学习任务。课程地址：https://github.com/InternLM/Tutorial经验总结报名课程可以获得邀请码创建开发机后可能需要排队几分钟执行第一个命令（搭建环境）需要一个小时，因此不要选择过短自动释放万一不小心关掉了连上的服务器标签页，没关系，刷新后不会丢失当前任务。

参考。

通过 Intern Studio的部署实习，配合实战营 Tutorial 同步完成学习任务。课程地址：https://github.com/InternLM/Tutorial经验总结报名课程可以获得邀请码创建开发机后可能需要排队几分钟执行第一个命令（搭建环境）需要一个小时，因此不要选择过短自动释放万一不小心关掉了连上的服务器标签页，没关系，刷新后不会丢失当前任务。

通过 Intern Studio的部署实习，配合实战营 Tutorial 同步完成学习任务。课程地址：https://github.com/InternLM/Tutorial经验总结报名课程可以获得邀请码创建开发机后可能需要排队几分钟执行第一个命令（搭建环境）需要一个小时，因此不要选择过短自动释放万一不小心关掉了连上的服务器标签页，没关系，刷新后不会丢失当前任务。

在本节中主要就是带领着大家跑通了 XTuner 的一个完整流程，通过了解数据集和模型的使用方法、配置文件的制作和训练以及最后的转换及整合。那在后面假如我们也有想要微调出自己的一个模型，我们也可以尝试使用同样流程和方法进行进一步的实践！

Lagent 是一个轻量级开源智能体框架，旨在让用户可以高效地构建基于大语言模型的智能体。同时它也提供了一些典型工具以增强大语言模型的能力。Arxiv 搜索Bing 地图Google 学术搜索Google 搜索交互式 IPython 解释器IPython 解释器PPTPython 解释器在本节中，我们将基于 Lagent 自定义一个工具。

参考。