Open Assistant

Bantuan terbuka

Catatan : OpenAssistant selesai, dan proyek sekarang selesai. Terima kasih untuk semua orang yang berkontribusi! Lihat posting blog kami untuk informasi lebih lanjut. Dataset OASST2 terakhir yang diterbitkan dapat ditemukan di Huggingface di OpenAssistant/OASST2

Daftar isi

• Apa itu Asisten Terbuka?
• Tautan yang berguna
• Bagaimana mencobanya
• Visi
• Rencananya
• Bagaimana Anda bisa membantu

---

Apa itu Asisten Terbuka?

Open Assistant adalah proyek yang dimaksudkan untuk memberi semua orang akses ke model bahasa besar berbasis obrolan yang hebat.

Kami percaya bahwa dengan melakukan ini kami akan menciptakan revolusi dalam inovasi dalam bahasa. Dengan cara yang sama ketika difusi stabil membantu dunia membuat seni dan gambar dengan cara baru kami berharap Asisten Terbuka dapat membantu meningkatkan dunia dengan meningkatkan bahasa itu sendiri.

Tautan yang berguna

• Pengumpulan data

• Mengobrol

• Dokumentasi Proyek

Bagaimana mencobanya

Mengobrol dengan AI

Frontend obrolan sekarang tinggal di sini. Masuk dan mulai mengobrol! Silakan coba bereaksi dengan jempol ke atas atau ke bawah untuk tanggapan asisten saat mengobrol.

Berkontribusi pada pengumpulan data

Frontend pengumpulan data sekarang tinggal di sini. Masuk dan mulailah mengambil tugas! Kami ingin mengumpulkan volume data berkualitas tinggi. Dengan mengirimkan, peringkat, dan pelabelan model permintaan dan tanggapan, Anda akan secara langsung membantu meningkatkan kemampuan Asisten Terbuka.

Menjalankan pengaturan pengembangan secara lokal (tanpa obrolan)

Anda tidak perlu menjalankan proyek secara lokal kecuali Anda berkontribusi pada proses pengembangan. Tautan situs web di atas akan membawa Anda ke situs web publik tempat Anda dapat menggunakan aplikasi pengumpulan data dan obrolan.

Jika Anda ingin menjalankan aplikasi pengumpulan data secara lokal untuk pengembangan, Anda dapat mengatur seluruh tumpukan yang diperlukan untuk menjalankan layanan terbuka , termasuk situs web, backend, dan layanan tergantung terkait, dengan Docker.

Untuk memulai demo, jalankan ini di direktori root repositori (periksa FAQ ini jika Anda memiliki masalah):

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

Catatan: Saat menjalankan macOS dengan chip M1 Anda harus menggunakan: DB_PLATFORM=linux/x86_64 docker compose ...

Kemudian, arahkan ke http://localhost:3000 (mungkin perlu waktu untuk boot) dan berinteraksi dengan situs web.

Catatan: Jika suatu masalah terjadi dengan build, silakan kunjungi FAQ dan periksa entri tentang Docker.

Catatan: Saat masuk melalui email, navigasikan ke http://localhost:1080 untuk mendapatkan tautan login email ajaib.

Catatan: Jika Anda ingin menjalankan ini di lingkungan pengembangan standar ("devcontainer") menggunakan vscode secara lokal atau di browser web menggunakan codespace github, Anda dapat menggunakan folder .devcontainer yang disediakan.

Menjalankan pengaturan pengembangan secara lokal untuk obrolan

Anda tidak perlu menjalankan proyek secara lokal kecuali Anda berkontribusi pada proses pengembangan. Tautan situs web di atas akan membawa Anda ke situs web publik tempat Anda dapat menggunakan aplikasi pengumpulan data dan obrolan.

Perhatikan juga bahwa pengaturan lokal hanya untuk pengembangan dan tidak dimaksudkan untuk digunakan sebagai chatbot lokal, kecuali Anda tahu apa yang Anda lakukan.

Jika Anda tahu apa yang Anda lakukan, maka lihat folder inference untuk meningkatkan sistem inferensi, atau lihat --profile inference selain --profile ci dalam perintah di atas.

Visi

Kami tidak akan berhenti mereplikasi chatgpt. Kami ingin membangun asisten masa depan, tidak hanya dapat menulis email dan surat pengantar, tetapi melakukan pekerjaan yang bermakna, menggunakan API, informasi penelitian dinamis, dan banyak lagi, dengan kemampuan untuk dipersonalisasi dan diperluas oleh siapa pun. Dan kami ingin melakukan ini dengan cara yang terbuka dan dapat diakses, yang berarti kami tidak hanya harus membangun asisten yang hebat, tetapi juga membuatnya kecil dan cukup efisien untuk dijalankan pada perangkat keras konsumen.

Rencananya

Kami ingin mencapai MVP awal secepat mungkin, dengan mengikuti 3 langkah yang diuraikan dalam kertas Instruktur

1. Kumpulkan sampel pemenuhan instruksi yang dihasilkan manusia berkualitas tinggi (respons Prompt +), tujuan> 50k. Kami merancang proses crowdsourced untuk mengumpulkan dan meninjau petunjuk. Kami tidak ingin melatih data banjir/beracun/spam/sampah/informasi pribadi. Kami akan memiliki papan peringkat untuk memotivasi komunitas yang menunjukkan kemajuan dan pengguna paling aktif. Swag akan diberikan kepada kontributor teratas.
2. Untuk masing -masing petunjuk yang dikumpulkan, kami akan mencicipi beberapa penyelesaian. Penyelesaian satu prompt kemudian akan ditampilkan secara acak kepada pengguna untuk memberi peringkat dari yang terbaik ke yang terburuk. Sekali lagi ini akan terjadi bersumber dari kerumunan, misalnya kita perlu berurusan dengan pengguna yang berpotensi berbahaya. Setidaknya beberapa suara oleh pengguna independen harus dikumpulkan untuk mengukur perjanjian keseluruhan. Data peringkat yang dikumpulkan akan digunakan untuk melatih model hadiah.
3. Sekarang ikuti fase pelatihan RLHF berdasarkan prompt dan model hadiah.

Kami kemudian dapat mengambil model yang dihasilkan dan melanjutkan dengan Langkah Pengambilan Sampel Penyelesaian 2 untuk iterasi berikutnya.

Slide Decks

Visi & Peta Jalan

Struktur data penting

Bagaimana Anda bisa membantu

Semua proyek open source dimulai dengan orang -orang seperti Anda. Open Source adalah keyakinan bahwa jika kita berkolaborasi, kita dapat bersama -sama memberikan pengetahuan dan teknologi kita kepada dunia untuk kepentingan kemanusiaan.

Lihat panduan berkontribusi kami untuk memulai.