Open Assistant

Open-Assistant

HINWEIS : Openssistant ist abgeschlossen und das Projekt ist jetzt abgeschlossen. Vielen Dank an alle, die beigetragen haben! Weitere Informationen finden Sie in unserem Blog -Beitrag. Der endgültige veröffentlichte OASST2 -Datensatz finden Sie im Umarmungsface unter OpenStIstant/OASST2

Inhaltsverzeichnis

• Was ist offener Assistent?
• Nützliche Links
• Wie man es ausprobiert
• Die Vision
• Der Plan
• Wie Sie helfen können

---

Was ist offener Assistent?

Open Assistant ist ein Projekt, das allen Zugriff auf ein großartiges Chat -basierte Großsprachmodell ermöglichen soll.

Wir glauben, dass wir dadurch eine Revolution in der Sprachinnovation schaffen werden. Auf die gleiche Weise, wie diese Stalldiffusion der Welt half, Kunst und Bilder auf neue Weise zu machen, hoffen wir, dass der offene Assistent die Welt verbessern kann, indem sie die Sprache selbst verbessert.

Nützliche Links

• Datenerfassung

• Chat

• Projektdokumentation

Wie man es ausprobiert

Mit der KI plaudern

Das Chat -Frontend ist jetzt hier live. Melden Sie sich an und chatten Sie! Bitte versuchen Sie, mit einem Daumen nach oben oder unten auf die Antworten des Assistenten beim Chat zu reagieren.

Beitrag zur Datenerfassung leisten

Das Frontend der Datenerfassung ist jetzt hier live. Melden Sie sich an und übernehmen Sie Aufgaben! Wir möchten ein hohes Volumen an Qualitätsdaten sammeln. Durch die Einreichung, Rangliste und Kennzeichnung von Modellaufforderungen und Antworten helfen Sie direkt zur Verbesserung der Funktionen des offenen Assistenten.

Ausführen des Entwicklungsaufbaus lokal (ohne Chat)

Sie müssen das Projekt nicht lokal ausführen, es sei denn, Sie tragen zum Entwicklungsprozess bei. Der obige Website -Link bringt Sie zur öffentlichen Website, auf der Sie die Datenerfassungs -App und den Chat verwenden können.

Wenn Sie die Datenerfassungs-App für die Entwicklung lokal ausführen möchten, können Sie mit Docker einen gesamten Stack einrichten, der für die Open-Assistante , einschließlich der Website, der Backend und der zugehörigen abhängigen Dienste benötigt wird.

Um die Demo zu starten, führen Sie diese im Stammverzeichnis des Repositorys aus (überprüfen Sie diese FAQ, wenn Sie Probleme haben):

docker compose --profile ci up --build --attach-dependencies

Hinweis: Wenn Sie auf macOS mit einem M1 -Chip ausgeführt werden, müssen Sie verwenden: DB_PLATFORM=linux/x86_64 docker compose ...

Navigieren Sie dann zu http://localhost:3000 (es kann einige Zeit dauern, bis sie starten) und interagieren mit der Website.

Hinweis: Wenn ein Problem mit dem Build auftritt, besuchen Sie bitte die FAQ und lesen Sie die Einträge über Docker.

HINWEIS: Wenn Sie sich per E -Mail anmelden, navigieren Sie zu http://localhost:1080 um den Magic -E -Mail -Login -Link zu erhalten.

Hinweis: Wenn Sie diese in einer standardisierten Entwicklungsumgebung (ein "DevContainer") mit VSCODE local oder in einem Webbrowser mit GitHub -Codespazis ausführen möchten, können Sie den bereitgestellten .devcontainer -Ordner verwenden.

Ausführen des Entwicklungsaufbaus lokal für den Chat

Sie müssen das Projekt nicht lokal ausführen, es sei denn, Sie tragen zum Entwicklungsprozess bei. Der obige Website -Link bringt Sie zur öffentlichen Website, auf der Sie die Datenerfassungs -App und den Chat verwenden können.

Beachten Sie auch, dass das lokale Setup nur für die Entwicklung dient und nicht als lokaler Chatbot verwendet werden soll, es sei denn, Sie wissen, was Sie tun.

Wenn Sie wissen , was Sie tun, sehen Sie sich den inference zum Aufnehmen des Inferenzsystems an oder sehen Sie sich zusätzlich zu --profile inference --profile ci im obigen Befehl an.

Die Vision

Wir werden nicht aufhören, Chatgpt zu replizieren. Wir möchten den Assistenten der Zukunft aufbauen, in der Lage sind, nicht nur E -Mail- und Anschreiben zu schreiben, sondern aussagekräftige Arbeiten zu erledigen, APIs zu verwenden, Informationen dynamisch zu recherchieren und vieles mehr, um von irgendjemandem personalisiert und erweitert zu werden. Und wir möchten dies auf eine Weise tun, die offen und zugänglich ist. Dies bedeutet, dass wir nicht nur einen großartigen Assistenten aufbauen, sondern ihn auch klein und effizient genug machen müssen, um auf Verbraucherhardware zu betreiben.

Der Plan

Wir möchten so schnell wie möglich zu einem ersten MVP gelangen, indem wir den 3 Schritten befolgen,

1. Sammeln Sie hochwertige, von Menschen erzeugte Anweisungen und Vollfillment-Proben (Eingabeaufforderung + Antwort), Ziel> 50k. Wir entwerfen einen Crowdsourced -Prozess, um Eingabeaufforderungen zu sammeln und zu überprüfen. Wir möchten nicht auf Überschwemmungs-/Gift-/Spam-/Junk/Persönlichkeitsinformationsdaten trainieren. Wir werden eine Rangliste haben, um die Community zu motivieren, die Fortschritte und die aktivsten Benutzer zeigt. Swag wird den Top-Contributors gegeben.
2. Für jede der gesammelten Eingabeaufforderungen probieren wir mehrere Abschlüsse. Die Fertigstellungen einer Eingabeaufforderung werden dann zufällig an Benutzer angezeigt, um sie von besten zum schlimmsten zu bewerten. Auch dies sollte Crowd-Sourcing passieren, z. B. müssen wir uns mit unzuverlässigen potenziell böswilligen Nutzern befassen. Mindestens mehrere Stimmen von unabhängigen Nutzern müssen gesammelt werden, um die Gesamtvereinbarung zu messen. Die gesammelte Rangliste wird verwendet, um ein Belohnungsmodell auszubilden.
3. Jetzt folgt die RLHF -Trainingsphase basierend auf den Eingabeaufforderungen und dem Belohnungsmodell.

Wir können dann das resultierende Modell einnehmen und mit dem Abschluss der Probenahme Schritt 2 für eine nächste Iteration fortsetzen.

Schieberdecke

Vision & Roadmap

Wichtige Datenstrukturen

Wie Sie helfen können

Alle Open -Source -Projekte beginnen mit Menschen wie Ihnen. Open Source ist die Überzeugung, dass wir, wenn wir zusammenarbeiten, unser Wissen und unsere Technologie zum Nutzen der Menschheit gemeinsam schenken können.

Schauen Sie sich unseren Beitragsführer an, um loszulegen.