不写代码、构建一个开源的 ChatGPT，总共需要几步？｜Hugging News #1020

每一周，我们的同事都会向社区的成员们发布一些关于 Hugging Face 相关的更新，包括我们的产品和平台更新、社区活动、学习资源和内容更新、开源库和模型更新等，我们将其称之为「Hugging News」。本期 Hugging News 有哪些有趣的消息，快来看看吧！🎉

给 Pro 订阅账户加入的更高级的推理 API 功能

我们为 Hugging Face Pro 订阅用户加入了一些新的模型 API 访问权限包括 Llama 2 Chat、Code Llama Base 和 Stable Diffusion XL 等，同时也提高了对推理 API 的速率限制。开发者们可以更好地进行模型实验和原型开发，而无需部署模型到自己的基础设施上。

朋友们，升个级？https://hf.co/subscribe/pro

为推理 API 发布新的模型分类页面

我们发布了一个新的模型分类页面，展示了一系列精选、即时可部署的模型，包括如文本生成、文本到图像、自动语音识别和文本嵌入提取等多个模型分类。每个模型条目提供了模型的简要描述、优化目标、模型的参数大小、每小时的运行成本和运行所需的硬件配置，例如 GPU 型号等。

大家可以在这里查看:https://ui.endpoints.huggingface.co/catalog

Flash Attention 2 现已在 🤗 Transformers 可用

Flash Attention 2 是一个优化的注意力机制算法，旨在改善基于 transformer 的模型的效率。通过改进并行处理和工作分区、减少内存使用、Flash 解码等策略，使得模型以更长的序列长度运行和训练，而不会遇到内存溢出问题，从而更好地处理大规模数据。

🤗 Transformers 现已原生支持 Flash Attention 2，支持 PEFT（预训练嵌入式微调）的训练和量化（GPTQ, QLoRA, LLM.int8）。

构建一个开源的 ChatGPT，总共需要几步（还不用写代码）

我们发表了一篇博客，介绍如何在不编写任何代码的情况下构建自己的开源 ChatGPT，它使用 LLaMA 2 基础模型，通过一个开源指令数据集对其进行微调，然后部署到一个聊天应用程序中，可以与朋友分享，使用 Hugging Face 平台的各种工具 ，如 Spaces、AutoTrain 和 ChatUI。

🔥https://hf.co/blog/Llama2-for-non-engineers