Upload 2 files

app.py

@@ -0,0 +1,83 @@
+import streamlit as st
+from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
+from llama_index.embeddings.huggingface import HuggingFaceEmbedding
+from llama_index.legacy.callbacks import CallbackManager
+from llama_index.llms.openai_like import OpenAILike
+
+# Create an instance of CallbackManager
+callback_manager = CallbackManager()
+
+api_base_url =  "https://internlm-chat.intern-ai.org.cn/puyu/api/v1/"
+model = "internlm2.5-latest"
+api_key = "请填写 API Key"
+
+# api_base_url =  "https://api.siliconflow.cn/v1"
+# model = "internlm/internlm2_5-7b-chat"
+# api_key = "请填写 API Key"
+print(api_key)
+llm =OpenAILike(model=model, api_base=api_base_url, api_key=api_key, is_chat_model=True,callback_manager=callback_manager)
+
+
+
+st.set_page_config(page_title="llama_index_demo", page_icon="🦜🔗")
+st.title("llama_index_demo")
+
+# 初始化模型
+@st.cache_resource
+def init_models():
+    embed_model = HuggingFaceEmbedding(
+        model_name="/root/model/sentence-transformer"
+    )
+    Settings.embed_model = embed_model
+
+    #用初始化llm
+    Settings.llm = llm
+
+    documents = SimpleDirectoryReader("/root/llamaindex_demo/data").load_data()
+    index = VectorStoreIndex.from_documents(documents)
+    query_engine = index.as_query_engine()
+
+    return query_engine
+
+# 检查是否需要初始化模型
+if 'query_engine' not in st.session_state:
+    st.session_state['query_engine'] = init_models()
+
+def greet2(question):
+    response = st.session_state['query_engine'].query(question)
+    return response
+
+      
+# Store LLM generated responses
+if "messages" not in st.session_state.keys():
+    st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]    
+
+    # Display or clear chat messages
+for message in st.session_state.messages:
+    with st.chat_message(message["role"]):
+        st.write(message["content"])
+
+def clear_chat_history():
+    st.session_state.messages = [{"role": "assistant", "content": "你好，我是你的助手，有什么我可以帮助你的吗？"}]
+
+st.sidebar.button('Clear Chat History', on_click=clear_chat_history)
+
+# Function for generating LLaMA2 response
+def generate_llama_index_response(prompt_input):
+    return greet2(prompt_input)
+
+# User-provided prompt
+if prompt := st.chat_input():
+    st.session_state.messages.append({"role": "user", "content": prompt})
+    with st.chat_message("user"):
+        st.write(prompt)
+
+# Gegenerate_llama_index_response last message is not from assistant
+if st.session_state.messages[-1]["role"] != "assistant":
+    with st.chat_message("assistant"):
+        with st.spinner("Thinking..."):
+            response = generate_llama_index_response(prompt)
+            placeholder = st.empty()
+            placeholder.markdown(response)
+    message = {"role": "assistant", "content": response}
+    st.session_state.messages.append(message)

data/deepseek.txt

@@ -0,0 +1,15 @@
+DeepSeek R1是由杭州深度求索人工智能基础技术研究有限公司（DeepSeek）开发的高性能AI推理模型，具有强大的推理能力，尤其在数学、代码和自然语言推理等复杂任务中表现出色。
+核心特点
+强化学习驱动：DeepSeek R1通过大规模强化学习技术进行后训练，无需大量标注数据，即可显著提升推理能力。
+多阶段训练：模型采用多阶段训练方法，包括冷启动数据的监督微调和强化学习阶段，以优化推理模式。
+高性能推理：在数学任务中，DeepSeek R1在AIME 2024上达到79.8%的准确率，在MATH-500上达到97.3%。在编程任务中，它在Codeforces上获得2029 Elo评分，超过96.3%的人类参与者。
+开源与灵活部署：DeepSeek R1遵循MIT License，完全开源，支持本地部署和云服务。
+应用场景
+复杂问题解决：适用于需要多步骤推理和长链思维的任务。
+编程辅助：能够提供代码分析、优化和工程解决方案。
+知识型任务：在跨领域知识测试中表现卓越，适合需要准确事实和知识整合的场景。
+版本与架构
+DeepSeek R1包括多个版本，如DeepSeek-R1-Zero（纯强化学习版本）和基于Qwen、Llama蒸馏出的多个密集模型。这些版本为不同需求的用户提供了灵活的选择。
+开发者支持
+DeepSeek R1支持一键部署功能，例如腾讯云HAI服务可在3分钟内完成模型启动配置。此外，其开源特性也降低了开发门槛。
+总体而言，DeepSeek R1凭借其强大的推理能力和灵活的部署方式，正在成为AI领域的重要力量，尤其在推理任务中展现出与OpenAI的o1相当的性能。