1.copenaiԴ??
2.我做了个chatPPT（含源码和prompt）
3.揭秘OpenAI新神器：Cursor源码深度解析与应用探索
4.gpt既不开源,又不允许蒸馏,跟openai这个名字还相符吗?
5.Python调用OpenAI
6.OpenAI/Triton MLIR 第零章: 源码编译

copenaiԴ??

       OpenAI 推出的开源免费工具 Whisper，以其出色的语音识别功能吸引了不少关注。这款模型不仅能够进行多语言的语音转文本，还能进行语音翻译和语言识别，实用价值极高。市面上许多语音转文字服务如讯飞语记等都收费，编辑源码而Whisper作为开源选择，无疑是一个经济实惠且性能强大的解决方案。

       想在本地体验Whisper，首先需要为Windows设备安装ffmpeg和rust。ffmpeg可以从ffmpeg.org下载并配置环境变量，而rust则可以从rust-lang.org获取并确保命令行可用。接着，创建一个python虚拟环境，安装Whisper所需的依赖库。

       运行Whisper的过程相当直接。通过命令行，只需提供音频文件如"Haul.mp3"，并指定使用"medium"模型（模型大小从tiny到large递增）。首次运行时，Whisper会自动下载并加载模型，然后开始识别并输出文本，同时将结果保存到文件中。如果想在Python代码中集成，也相当简单。

       如果你对此技术感兴趣，不妨亲自尝试一下。项目的源代码可以在github.com/openai/whisper找到。这不仅是一次AI技术的体验，还可能开启语音转文字的新篇章。更多详情可参考gpt.com/article/的信息。

       标签推荐：#AI技术 #OpenAI开源 #Whisper模型 #语音转文字 #ChatGPT应用

我做了个chatPPT（含源码和prompt）

       实现了一个基于AI的chatPPT工具，此工具能够根据输入的话题或句子自动生成PPT，包括润色标题、选择主题颜色以及生成所有插图。工具原理涉及openAI的GPT 3.5 TURBO接口、Dalle2以及Python-pptx库。新手找源码

       GPT 3.5 TURBO接口用于生成PPT结构文本，包括PPT标题、页面标题和内容等，同时根据文本内容选择适合的情感主题色彩。Dalle2则将生成的文本转化为相应的，Python-pptx库则负责构建PPTX文件。

       实现这个工具的关键在于制定合适的提示语，让AI理解用户需求并生成符合预期的PPT。实现过程相对简单，但需要考虑科学上网、openAI接口费用（生成一个PPT费用约在0.1~0.2美元，主要成本来自接口）以及输出篇幅的限制。

       使用时需要注意以下几点：

       1、确保网络环境稳定，以便顺利使用工具。

       2、openAI接口使用需付费，费用主要依据生成数量，一般生成一个PPT的费用在0.1~0.2美元左右。

       3、由于AI接口限制输出最多个token，输出篇幅可能会受限。为解决这一问题，建议将用户输入内容分为多个部分，每次生成四个左右的主题，将这些主题的回复拼合，最终生成完整的PPT。虽然这样会增加成本，但可以有效解决输出限制问题。

       工具源码已提供，有兴趣的读者可自行下载和优化，以满足更多个性化需求。

揭秘OpenAI新神器：Cursor源码深度解析与应用探索

       Cursor，一款专为编程与人工智能打造的编辑器，目前仍处于早期阶段，具备多项功能。出网站源码由两家MIT高材生创立的公司于年在旧金山成立，获得OpenAI的投资。虽然Cursor的代码质量参差不齐，甚至可能部分由AI生成，其官网与代码仓库简陋，无详细文档。根据其官方声明，Cursor在智能性上比Copilot更出色。然而，实际功能还需通过官方提供的视频评估，视频展示了Cursor支持两种交互方式：通过cmd+k激活代码生成模式与cmd+l激活的聊天模式。生成代码的逻辑在源码文件的features/chat/chatThunks.ts中，通过向Cursor服务器发送POST请求，将信息通过token的方式流式返回，提供类似ChatGPT的体验。聊天模式下，Cursor能根据问题和文件上下文向AI提问。Cursor在理解工程上下文方面有显著进步，能够识别并提供项目中相关实现的文件路径。当前Cursor的核心优势在于免费特性及理解项目工程的能力，但其劣势在于对VSCode生态的挑战。

       在Cursor的内部实现中，通过解析输入的指令，结合编辑器与AI进行交互，实现代码生成、内容编辑与工程上下文理解等功能。对于生成代码和AI续写内容的请求，Cursor通过向服务器发送包含选中文本、指令类型等信息的POST请求实现。聊天模式下，Cursor通过简单的请求实现向AI提问。编辑器与AI之间的双向通信通过文本事件流技术实现，确保流畅的交互体验。然而，Cursor的核心后台实现尚未开源，这构成了其商业策略的喵赚源码一部分。

       Cursor未来面临的挑战包括维持竞争优势、优化用户体验、解决与VSCode生态的兼容性问题，并进一步完善其核心功能。随着技术的不断进步与迭代，Cursor有望在编程辅助领域发挥更大的作用。尽管当前存在一些限制和不足，如代码质量、文档建设和后台实现的非开源性，但Cursor在编程辅助工具领域展现出了创新潜力，值得持续关注。

gpt既不开源,又不允许蒸馏,跟openai这个名字还相符吗?

       ChatGPT 的流行引发了对开源的热烈讨论。一些人认为，只要OpenAI 开放源代码，全球就能迅速获得ChatGPT。然而，这实际上是一种误解。开源是指公开源代码，过去我们常将其理解为免费获取软件项目的原始代码，例如 Linux 操作系统。拿到 Linux 源码后，理论上可以在本地编译相同的系统内核。但实际上，编译过程可能会因编译方法的不同而产生差异，这通常会使人们误解开源的力量，以为开源能带来广泛且快速的普及。然而，大语言模型的开源概念与此完全不同。

       如果 OpenAI 真的开放了GPT-4的源代码，那也只是其中的一部分。大语言模型的开源实际上涉及三个主要对象：源码、算法以及数据。算法的核心部分包括模型结构和训练方法，这通常是开源的。然而，要实现与 ChatGPT 类似的华东狗源码模型，还需要高算力和大数据。算法、算力和数据是人工智能时代的三大要素，缺一不可。仅拿到源码并不意味着能构建出类似 ChatGPT 的模型。

       高算力是一个关键门槛，但并不是所有企业都能跨越。然而，数据的获取和质量则是另一个巨大的挑战。数据对于人工智能的重要性无需赘言，无论是人工智能时代还是人工智障时代，数据的规模和质量都是影响模型表现的关键因素。数据标注需要投入大量的人力、财力和时间，这使得数据集的建设成为一项艰巨的任务。即使是财力雄厚的企业如 OpenAI，也会在数据标注上寻求成本效益。

       开源意味着共享和协作，它对人工智能的快速发展起到了重要作用。学术论文通常是研究成果的一部分，许多作者选择免费公开论文，为研究社区提供了宝贵的知识资源。源码并非必需，有些研究者仅发布论文而不提供源码，可能出于对成果的保护、对源码质量的担忧，或是担心复现效果的问题。大公司和机构在使用开源模型时更为谨慎，他们可能出于社会责任、安全伦理等考虑，选择仅公开模型而不公开所有细节。

       就开源数据集而言，其重要性往往被忽视。中文大语言模型面临多种需求，开源数据集的建设是推动这一领域发展的关键。虽然存在诸多挑战，但已有项目开始致力于开源数据集的建设，这些努力如同星星之火，正逐渐点亮中文大语言模型发展的道路。

Python调用OpenAI

       安装Python环境，略。

       下载并安装VSCode编辑器，略。

       配置OpenAI环境变量，将替换为自己的密钥。OPENAI_BASE_URL设置为国内代理服务器地址。

       在Mac OS中，关闭科学上网状态后，安装项目依赖的包。

       创建源代码文件，包括.env文件和index.py文件。确保两个文件已保存。运行代码，成功运行后的结果通常类似以下示例图。

       使用官方提供的OpenAI密钥，自行在OpenAI官方注册获取。

OpenAI/Triton MLIR 第零章: 源码编译

       本文旨在深入探讨开源AI项目OpenAI Triton MLIR，着重介绍Triton作为编程语言与编译器在GPU加速计算领域的应用与优化。Triton为用户提供了一种全新的方式，通过将其后端接入LLVM IR，利用NVPTX生成GPU代码，进而提升计算效率。相较于传统CUDA编程，Triton无需依赖NVIDIA的nvcc编译器，直接生成可运行的机器代码，体现出其在深度学习与数据科学领域的高性能计算潜力。Triton不仅支持NVIDIA GPU，还计划扩展至AMD与Intel GPU，其设计基于MLIR框架，通过Dialect支持多样化后端。本文将从源码编译角度出发，逐步解析Triton的设计理念与优化策略，为研究编译技术和系统优化的工程师提供宝贵资源。

       首先，需要访问Triton的官方网站，克隆其官方代码库，以便后续操作。构建过程涉及两个重要依赖：LLVM与pybind。LLVM作为Triton的核心后端，通过将高级Python代码逐步转换至LLVM IR，最终生成GPU可运行代码，体现了其在计算优化领域的优势。pybind组件则用于封装C++/CUDA或汇编代码，实现Python DSL与高性能组件的无缝集成。

       接下来，将LLVM与pybind分别编译安装，通过手动配置指定路径，确保编译过程顺利进行。LLVM的安装对于基于Triton进行二次开发的工程师和研究人员至关重要，因为它为Triton提供了强大的计算基础。在特定的commit ID下编译Triton，确保与后续版本兼容。

       在编译过程中，配置pybind同样至关重要，它允许用户通过Python API调用高性能组件，实现自动化生成高性能算子。完成编译后，生成的.so文件（libtriton.so）为后续Triton的Python接口提供了支持。

       将libtriton.so移动至triton/python/triton/_C目录下，确保Python路径正确配置，实现无缝导入与调用。通过简单的import triton命令，即可开启Triton的开发之旅。验证Triton性能，可以选择tutorials目录下的示例代码，如-matrix-multiplication.py，通过运行该脚本，观察Triton在GPU上的性能表现。

       Triton在NVGPU上的成熟映射路线，从抽象的Python DSL到贴近GPU层面的IR，最终生成高效机器代码，体现了其在高性能计算领域的优越性。Triton未来的发展蓝图将支持更多前端语言，对接不同硬件厂商的硬件，实现高效映射，满足多样化计算需求。

开源Open WebUI - 大模型LLM web 聊天界面及在K8S集群中的部署

       Open WebUI 是一个自托管的离线 Web 用户界面，专为支持多种大型语言模型（LLM）运行而设计。它提供丰富功能和直观界面，兼容 Ollama 和 OpenAI API。您可以在 GitHub 上找到源代码。

       Open WebUI 提供全面平台，方便与大型语言模型交互，并具备功能性和灵活性，以满足不同用户和应用场景需求。它旨在优化模型管理、更新、交互、历史管理和数据管理，同时支持语音和图像集成，以及 API 和安全性功能。界面还提供国际化支持。

       部署 Open WebUI 到 K8S 集群时，参考官方文档中的部署 YAML 文件。通常涉及编写简单的部署文件，如 `docker-compose.yaml`。部署过程中需注意服务配置和服务持久化卷（PVC）的设置。这些关键步骤确保 Open WebUI 在 K8S 环境中稳定运行，提供高效、安全的大型语言模型交互体验。

AUTOGEN | 上手与源码分析

       AUTOGEN是一个开源平台，主要功能是创建和管理自动化对话代理(agent)。这些代理能执行多种任务，包括回答问题、执行函数，甚至与其它代理进行交互。本文将介绍AUTOGEN中的关键组件，即Conversation Agent，并简单分析其多代理功能的源码实现。

       根据官网文档和参考代码，AUTOGEN利用OpenAI提供的服务来访问语言模型(Logic Unit)。任何部署了OpenAI兼容API的语言模型都可以无缝集成到AUTOGEN中。利用OpenAI的Tool功能，AUTOGEN能够调用函数，而不是使用自定义提示来引导逻辑模型选择工具。在请求体中提供候选函数信息，OpenAI API将从中选择最有可能满足用户需求的函数。每个agent都可使用send和receive方法与其他agent进行通信。

       在Autogen中，每个agent由Abilities & Prior Knowledge、Action & Stimuli、Goals/Preference、Past Experience等部分组成。语言模型(逻辑单元)通过调用OpenAI服务来实现，利用OpenAI提供的Tool功能调用函数。每个agent都维护自己的历史记录，以List[Message]的形式保存，包含对话信息和执行函数的结果等。

       Conversable Agent是Autogen的基本智能体类型，其他如AssistantAgent或UserProxyAgent都是基于此实现。在初始化时，通过配置列表来初始化OpenAI对象。generate_reply是核心功能，根据接收到的消息和配置，通过注册的处理函数和回复生成函数产生回复。此过程包括消息预处理、历史消息整理和回复生成。通过定制化钩子处理特定逻辑，考虑到调用工具、对话、参考历史经验等功能，generate_reply的大致运行流程如下：首先处理最后接收的消息，然后整理所有消息进行回复生成。

       Autogen将多种不同功能的agent整合到Conversable Agent中。generate_reply时，会根据消息判断是否需要终止对话或人工介入。回复逻辑包括关联或不关联函数的情况。通过代码执行器，代理安全执行GPT生成的代码，AutoGPT自带了Docker、Jupyter和本地三种代码执行器。多Agent对话通过initiate_chat函数启动，使用send和receive函数确保信息正确传递。这种设计允许灵活组合多个ConversableAgent，实现自定义的Agent系统。

       Autogen还提供GroupChat功能，允许多个Agent进行自由讨论或固定流程的工作流。开源社区的autogen.agentchat.contrib部分提供了许多自动化对话系统的贡献。此外，官方notebook中讨论了Agent优化器，允许自定义输出，将对话信息输出到前端UI界面。

       总之，Autogen作为Agent搭建工具，提供了基础功能，允许创建和管理自动化对话代理。其设计将执行工具与逻辑模型整合，简化了多代理对话和多功能任务的实现。通过源码分析，可以看到其灵活的架构和丰富的功能实现，为开发者提供了构建复杂对话系统的基础。