Descargar el Código fuente Chinese LLaMA Alpaca 3 - Descargar el código fuente Chinese LLaMA Alpaca 3

Chinese LLaMA Alpaca 3

Otro código fuente

v3.0

Descargar

? Cara abrazada •? Modelscope •? ️ Machine Heart Sota! Modelo • ? Wisemodel •? Demostración en línea

Este proyecto se desarrolla en base a la nueva generación del modelo de código abierto LLAMA-3, que es la tercera fase de la serie de proyectos chinos-llama-alpaca relacionados con el modelo de código abierto (Fase I y Fase II). Este modelo de código abierto de código abierto-3 Base Modelo y Chinese Llama-3-Instructo Instrucción Modelo de ajuste fino . Estos modelos utilizan datos chinos a gran escala para el pre-entrenamiento incremental basado en el LLAMA-3 original, y utilizan datos de instrucciones seleccionados para un ajuste fino, mejorando aún más las capacidades básicas de la semántica china y la comprensión de la instrucción, y obteniendo mejoras de rendimiento significativas en comparación con los modelos relacionados con la segunda generación.

Contenido principal

Modelo de muelle de código abierto-3-chinos y Llama-3-Chinese-Instructo Instrucciones de instrucciones (V1, V2, V3)
Scripts e instrucciones de pre-entrenamiento de código abierto e instrucciones ajustadas, los usuarios pueden entrenar o ajustar el modelo según sea necesario.
Open Source alpaca_zh_51k, stem_zh_instruction, ruozhiba_gpt4 (4o/4t) Instrucción Datos de ajuste fino
Proporciona tutoriales para cuantificar e implementar rápidamente modelos a gran escala localmente utilizando CPU/GPU de computadora personal
Apoya a la ecología de Llama-3 como Transformers, Llama.cpp, Text-Generation-Webui, Vllm, Ollama, etc.

noticias

[2024/05/30] lanzó el modelo de instrucción LLAMA-3-CHINESE-8B-INSTRUCT-V3, que ha logrado mejoras significativas en las tareas posteriores en comparación con V1/V2. Ver detalles: registro de lanzamiento de la versión v3.0

[2024/05/08] Lanze el modelo de instrucciones LLAMA-3-CHINESE-8B-INSTRUCT-V2, directamente utilizando 5 millones de datos de instrucciones para ajustarlo en Meta-Llama-3-8B-Instructo. Ver Detalles: Registro de lanzamiento de la versión v2.0

[2024/05/07] Agregue scripts de pre-entrenamiento e instrucción Scripts de ajuste fino. Ver detalles: V1.1 REGISTRO DE VERSIÓN

[2024/04/30] Lanza el modelo base LLAMA-3-Chinese-8B y el modelo de instrucciones de instrucciones LLAMA-3-Chinese-8B-Instructo. Ver Detalles: Registro de lanzamiento de la versión V1.0

[2024/04/19] Lanza oficialmente el proyecto chino-llama-alpaca-3

Guía de contenido

capítulo	describir
?	Introducir brevemente las características técnicas de los modelos relevantes de este proyecto
⏬ Descarga del modelo	Dirección de descarga del modelo chino-3-3
Razonamiento e implementación	Presenta cómo cuantificar modelos e implementar y experimentar modelos grandes utilizando una computadora personal
? Efecto de modelo	Se introduce el efecto del modelo en algunas tareas
Entrenamiento y melodía	Introducir cómo entrenar y ajustar el modelo chino Llama-3
❓faq	Responde a algunas preguntas frecuentes

Introducción al modelo

Este proyecto lanza el modelo de código abierto chino Llama-3-Chinese y Llama-3-Chinese-Instructo basado en Meta Llama-3. Las características principales son las siguientes:

Use la lista original de palabras LLAMA-3

En comparación con sus dos generaciones anteriores, LLAMA-3 ha ampliado significativamente el tamaño del vocabulario, de 32k a 128k, y se ha cambiado a la lista de vocabulario BPE.
Los experimentos preliminares encontraron que la eficiencia de codificación de la lista de palabras LLAMA-3 es comparable a la de nuestra lista de vocabulario extendido, con una eficiencia de aproximadamente el 95% de la lista de palabras chinas (basada en la prueba de eficiencia de codificación en los datos de Wikipedia)
Basado en nuestra experiencia relevante en conclusiones mixtrales y experimentales chinas ¹ , no agregamos vocabulario adicional

? La longitud de contexto larga se amplía de 4k a 8k en la segunda generación

Llama-3 aumenta la longitud de la ventana de contexto nativo de 4K a 8K, lo que permite el procesamiento adicional de información de contexto más larga
Los usuarios también pueden extender el modelo con un contexto largo a través de PI, NTK, hilo y otros métodos para respaldar el procesamiento de textos más largos.

⚡ Use la agrupación para consultar el mecanismo de atención

Llama-3 adopta el mecanismo de atención de consulta de agrupación (GQA) aplicado a la versión de parámetro grande en LLAMA-2, lo que puede mejorar aún más la eficiencia del modelo.

? Plantilla de comando nueva

Llama-3-Instructo adopta una plantilla de instrucción nueva, que es incompatible con LLAMA-2-CHAT. Debe seguir la plantilla de instrucción oficial cuando la use (consulte la plantilla de instrucción)

Descargar modelo

Pautas de selección de modelos

La siguiente es una comparación del modelo de este proyecto y los escenarios de uso recomendados. Para la interacción de chat, seleccione Instruir la versión.

Elementos de comparación	Llama-3-Chinese-8b	Llama-3-chinese-8b-instructo
Tipo de modelo	Modelo base	Modelo de directiva/chat (chatgpt de clase)
Tamaño del modelo	8b	8b
Tipo de entrenamiento	Causal-LM (CLM)	Instrucción Ajuste fino
Método de entrenamiento	Lora + cantidad completa EMB/lm-cabeza	Lora + cantidad completa EMB/lm-cabeza
Inicializar el modelo	Meta-llama-3-8b original	V1: Llama-3-Chinese-8B V2: Meta-llama-3-8B-Instructo original V3: mezcla de inst/inst-v2/inst-meta
Materiales de capacitación	Corpus Universal sin marcar (aproximadamente 120 GB)	Datos de instrucción marcados (aproximadamente 5 millones de piezas)
Tamaño de vocabulario	Vocabulario original (128,256)	Vocabulario original (128,256)
Admite la longitud del contexto	8k	8k
Plantilla de entrada	innecesario	Necesita aplicar la plantilla de instrucciones LLAMA-3
Escenarios aplicables	Continuación del texto: dado el texto anterior, deje que el modelo genere el siguiente texto	Comprensión del comando: preguntas y respuestas, escritura, chat, interacción, etc.

La siguiente es una comparación entre las versiones de instructos. Si no hay una preferencia clara, da prioridad a la versión Instruct-V3.

Elementos de comparación	Instruct-v1	Instruct-v2	Instructo-v3
Tiempo de lanzamiento	2024/4/30	2024/5/8	2024/5/30
Modelo básico	Meta-llama-3-8b original	Meta-llama-3-8B-Instructo original	(Ver método de entrenamiento)
Método de entrenamiento	Fase 1: 120G Corpus Chino Corpus Fase 2: 5 millones Datos de instrucción Ajuste de multa	Use directamente 5 millones de datos de instrucciones para ajustar	Model Fusion se realiza utilizando inst-v1, inst-v2 e inst-meta, y se obtiene mediante el ajuste de una pequeña cantidad de datos de instrucciones (~ 5k piezas)
Habilidad china ^[1]	49.3 / 51.5	51.6 / 51.6	55.2 / 54.8 ??
Competencia de inglés ^[1]	63.21	66.68	66.81 ??
Capacidad de texto largo ^[1]	29.6	46.4 ??	40.5
Mockup Arena Win tasa/Clasificación ELO ^[2]	49.4% / 1430	66.1% / 1559	83.6% / 1627 ??

Nota

[1] El efecto de habilidad chino proviene de C-EVAL (válido); El efecto de habilidad en inglés proviene de la clasificación Open LLM (AVG); La larga habilidad de texto proviene de Longbench (AVG); Consulte la sección sobre el efecto del modelo para obtener más detalles. [2] El tiempo de adquisición del Big Model Arena Effect: 2024/5/30, solo para referencia.

Dirección de descarga

Nombre del modelo	Versión completa	Versión de Lora	Versión de Gguf
Llama-3-Chinese-8B-Instructo-V3 (Modelo de instrucciones)	[? Cara abrazada] [? Modelscope] [? Wisemodel]	N / A	[? Cara abrazada] [? Modelscope]
Llama-3-Chinese-8B-Instructo-V2 (Modelo de instrucciones)	[? Cara abrazada] [? Modelscope] [? Wisemodel]	[? Cara abrazada] [? Modelscope] [? Wisemodel]	[? Cara abrazada] [? Modelscope]
Llama-3-chinese-8b-instructo (Modelo de instrucciones)	[? Cara abrazada] [? Modelscope] [? Wisemodel]	[? Cara abrazada] [? Modelscope] [? Wisemodel]	[? Cara abrazada] [? Modelscope]
Llama-3-Chinese-8b (Modelo de pedestal)	[? Cara abrazada] [? Modelscope] [? Wisemodel]	[? Cara abrazada] [? Modelscope] [? Wisemodel]	[? Cara abrazada] [? Modelscope]

Descripción del tipo de modelo:

Modelo completo : se puede usar directamente para capacitación y razonamiento sin pasos de fusión adicionales
Modelo Lora : debe fusionarse con el modelo base antes de que pueda convertirse en una versión completa del modelo. Método de fusión: modelos de fusión de pasos
- Modelo básico V1: Meta-llama-3-8b original
- Modelo básico V2: Meta-Llama-3-8B-Instructo original
Modelo GGUF : el formato de cuantización lanzado por Llama.cpp está adaptado a herramientas de inferencia comunes como Ollama. Se recomienda descargar a los usuarios que solo necesitan implementar la inferencia; El sufijo del nombre del modelo es -im eso significa que la matriz de importancia se usa para la cuantización, generalmente con personas más bajas, y se recomienda usar (el uso es el mismo que la versión regular)

Nota

Si no puede acceder a HF, puede considerar algunos sitios de espejo (como HF-Mirror.com). Encuentre y resuelva los métodos específicos usted mismo.

Razonamiento e implementación

Los modelos relevantes en este proyecto admiten principalmente los siguientes métodos de cuantificación, razonamiento e implementación. Para más detalles, consulte el tutorial correspondiente.

herramienta	Características	UPC	GPU	Cuantificación	Guía	API	vllm	Tutorial
llama.cpp	Opciones de cuantización de Gguf Rich y razonamiento local eficiente	✅	✅	✅	✅	✅		[enlace]
? Transformadores	Interfaz de inferencia de transformadores nativos	✅	✅	✅	✅		✅	[enlace]
Imitación de llamadas de API de Operai	Demostración del servidor que emula la interfaz API de OpenAI	✅	✅	✅		✅	✅	[enlace]
Webui de texto de texto	Cómo implementar la interfaz de interfaz de usuario web front-end	✅	✅	✅	✅	✅		[enlace]
LM Studio	Software de chat multiplataforma (con interfaz)	✅	✅	✅	✅	✅		[enlace]
Ollama	Razonamiento del modelo de maqueta de ejecución local	✅	✅	✅		✅		[enlace]

Efecto modelo

Para evaluar los efectos de los modelos relacionados, este proyecto realizó la evaluación del efecto generativo y la evaluación del efecto objetivo (clase NLU) respectivamente, y evaluó el modelo grande desde diferentes ángulos. Se recomienda que los usuarios prueben en las tareas que les preocupa y seleccione modelos que se adapten a las tareas relacionadas.

Generar evaluación de efectos

Este proyecto ha lanzado una plataforma de batalla modelo en línea modelada después de Fastchat Chatbot Arena, que puede navegar y evaluar la calidad de las respuestas del modelo. La plataforma de batalla proporciona indicadores de evaluación como la tasa ganadora y la puntuación ELO, y puede ver los resultados de la tasa ganadora del modelo de pareja a puerta. ⚔️ Model Arena: http://llm-arena.ymcui.com
El directorio de ejemplos proporciona muestras de salida de instrucciones LLAMA-3-CHINESE-8B y INSTRUST-MIXTRAL-MIXTRAL, y las comparaciones de puntaje se realizan a través de GPT-4-TURBO. El puntaje promedio de la instrucción LLAMA-3-Chinese-8B es 8.1 y el puntaje promedio de instrucciones de instrucciones-mezcla china es 7.8 . ? Comparación de muestra de salida: ejemplos
¡Este proyecto se ha trasladado a la máquina Heart Sota! Plataforma modelo, y la experiencia en línea se realizará en la etapa posterior: https://sota.jiqizhixin.com/project/chinese-llama-alpaca-3

Evaluación del efecto objetivo

C-Eval

C-EVAL es un conjunto integral de evaluación del modelo básico chino, en el que el conjunto de verificación y el conjunto de pruebas contienen preguntas de opción múltiple 1.3k y 12.3k, que cubren 52 sujetos, respectivamente. Consulte este proyecto para el código de inferencia C-EVAL: GitHub Wiki

Modelos	Válido (0-shot)	Válido (5-shot)	Prueba (0-shot)	Prueba (5-shot)
Llama-3-Chinese-8B-Instructo-V3	55.2	54.8	52.1	52.4
Llama-3-Chinese-8B-Instructo-V2	51.6	51.6	49.7	49.8
Llama-3-chinese-8b-instructo	49.3	51.5	48.3	49.4
Llama-3-Chinese-8b	47.0	50.5	46.1	49.0
Meta-llama-3-8B-Instructo	51.3	51.3	49.5	51.0
Meta-llama-3-8b	49.3	51.2	46.1	49.4
INSTRUPO MEXIMA CHINO (8X7B)	51.7	55.0	50.0	51.5
Chino-mixtral (8x7b)	45.8	54.2	43.1	49.1
Chino-alpaca-2-13b	44.3	45.9	42.6	44.0
Chino-llama-2-13b	40.6	42.7	38.0	41.6

Cmmlu

CMMLU es otro conjunto de datos de evaluación chino integral, utilizado específicamente para evaluar el conocimiento y la capacidad de razonamiento de los modelos de idiomas en el contexto chino, que cubre 67 temas de sujetos básicos a nivel profesional avanzado, con un total de 11.5k preguntas de opción múltiple. Consulte este proyecto para el código de inferencia CMMLU: GitHub Wiki

Modelos	Prueba (0-shot)	Prueba (5-shot)
Llama-3-Chinese-8B-Instructo-V3	54.4	54.8
Llama-3-Chinese-8B-Instructo-V2	51.8	52.4
Llama-3-chinese-8b-instructo	49.7	51.5
Llama-3-Chinese-8b	48.0	50.9
Meta-llama-3-8B-Instructo	53.0	53.5
Meta-llama-3-8b	47.8	50.8
INSTRUPO MEXIMA CHINO (8X7B)	50.0	53.0
Chino-mixtral (8x7b)	42.5	51.0
Chino-alpaca-2-13b	43.2	45.5
Chino-llama-2-13b	38.9	42.5

MMLU

MMLU es un conjunto de datos de evaluación en inglés para evaluar la capacidad de comprensión del lenguaje natural. Es uno de los principales conjuntos de datos utilizados para evaluar las grandes capacidades del modelo hoy. El conjunto de verificación y el conjunto de pruebas contienen preguntas de opción múltiple 1.5k y 14.1k, respectivamente, que cubren 57 sujetos. Consulte este proyecto para el código de inferencia MMLU: GitHub Wiki

Modelos	Válido (0-shot)	Válido (5-shot)	Prueba (0-shot)	Prueba (5-shot)
Llama-3-Chinese-8B-Instructo-V3	64.7	65.0	64.8	65.9
Llama-3-Chinese-8B-Instructo-V2	62.1	63.9	62.6	63.7
Llama-3-chinese-8b-instructo	60.1	61.3	59.8	61.8
Llama-3-Chinese-8b	55.5	58.5	57.3	61.1
Meta-llama-3-8B-Instructo	63.4	64.8	65.1	66.4
Meta-llama-3-8b	58.6	62.5	60.5	65.0
INSTRUPO MEXIMA CHINO (8X7B)	65.1	69.6	67.5	69.8
Chino-mixtral (8x7b)	63.2	67.1	65.5	68.3
Chino-alpaca-2-13b	49.6	53.2	50.9	53.5
Chino-llama-2-13b	46.8	50.0	46.6	51.8

Bancada larga

Longbench es un punto de referencia para evaluar la capacidad de comprensión de texto largo de un modelo grande. Consiste en 6 categorías principales y 20 tareas diferentes. La longitud promedio de la mayoría de las tareas es entre 5K-15K, y contiene aproximadamente 4.75k datos de prueba. El siguiente es el efecto de evaluación de este modelo de proyecto en esta tarea china (incluidas las tareas del código). Consulte este proyecto para el código de inferencia de Longbench: GitHub Wiki

Modelos	QA de documento único	QA multi-documento	resumen	Aprendizaje de FS	Código	síntesis	promedio
Llama-3-Chinese-8B-Instructo-V3	20.3	28.8	24.5	28.1	59.4	91.9	40.5
Llama-3-Chinese-8B-Instructo-V2	57.3	27.1	13.9	30.3	60.6	89.5	46.4
Llama-3-chinese-8b-instructo	44.1	24.0	12.4	33.5	51.8	11.5	29.6
Llama-3-Chinese-8b	16.4	19.3	4.3	28.7	14.3	4.6	14.6
Meta-llama-3-8B-Instructo	55.1	15.1	0.1	24.0	51.3	94.5	40.0
Meta-llama-3-8b	21.2	22.9	2.7	35.8	65.9	40.8	31.6
INSTRUPO MEXIMA CHINO (8X7B)	50.3	34.2	16.4	42.0	56.1	89.5	48.1
Chino-mixtral (8x7b)	32.0	23.7	0.4	42.5	27.4	14.0	23.3
Chino-alpaca-2-13b-16k	47.9	26.7	13.0	22.3	46.6	21.5	29.7
Chino-llama-2-13b-16k	36.7	17.7	3.1	29.8	13.8	3.0	17.3
Chino-alpaca-2-7b-64k	44.7	28.1	14.4	39.0	44.6	5.0	29.3
Chino-llama-2-7B-64K	27.2	16.4	6.5	33.0	7.8	5.0	16.0

Abierta LLM Raeperboard

Open LLM Roadboard es un gran modelo de evaluación de capacidades integral de modelo (inglés) iniciado por el equipo Huggingfaceh4, que incluye 6 pruebas individuales que incluyen ARC, HellaSwag, MMLU, Lucinffulqa, Winograde, GSM8K. El siguiente es el efecto de evaluación de este modelo de proyecto en esta lista.

Modelos	ARCO	Hella	MMLU	TQA	Winog	GSM8K	promedio
Llama-3-Chinese-8B-Instructo-V3	63.40	80.51	67.90	53.57	76.24	59.21	66.81
Llama-3-Chinese-8B-Instructo-V2	62.63	79.72	66.48	53.93	76.72	60.58	66.68
Llama-3-chinese-8b-instructo	61.26	80.24	63.10	55.15	75.06	44.43	63.21
Llama-3-Chinese-8b	55.88	79.53	63.70	41.14	77.03	37.98	59.21
Meta-llama-3-8B-Instructo	60.75	78.55	67.07	51.65	74.51	68.69	66.87
Meta-llama-3-8b	59.47	82.09	66.69	43.90	77.35	45.79	62.55
INSTRUPO MEXIMA CHINO (8X7B)	67.75	85.67	71.53	57.46	83.11	55.65	70.19
Chino-mixtral (8x7b)	67.58	85.34	70.38	46.86	82.00	0.00	58.69

Nota: La razón principal de la diferencia entre los resultados de MMLU es que los scripts de evaluación son diferentes.

Evaluación de efectos cuantitativos

Bajo LLAMA.CPP, el rendimiento cuantitativo de Llama-3-Chinese-8B (modelo base) se probó como se muestra en la tabla a continuación. La velocidad de prueba real es ligeramente más lenta que la LLAMA-2-7B de segunda generación.

	F16	Q8_0	Q6_K	Q5_K	Q5_0	Q4_K	Q4_0	Q3_K	Q2_K
Tamaño (GB)	14.97	7.95	6.14	5.34	5.21	4.58	4.34	3.74	2.96
Bpw	16.00	8.50	6.56	5.70	5.57	4.89	4.64	4.00	3.16
Ppl	5.130	5.135	5.148	5.181	5.222	5.312	5.549	5.755	11.859
Velocidad de PP	5.99	6.10	7.17	7.34	6.65	6.38	6.00	6.85	6.43
Velocidad TG	44.03	26.08	21.61	22.33	20.93	18.93	17.09	22.50	19.21

Nota

Tamaño del modelo: Unidad GB
BPW (bits por peso): bits de parámetros de la unidad, por ejemplo, la precisión promedio real de Q8_0 es 8.50
PPL (confusión): medido en un contexto de 8k (longitud de soporte nativo), cuanto menor sea el valor, mejor
Velocidad PP/TG: proporciona la velocidad de procesamiento de instrucciones (PP) y generación de texto (TG) de Apple M3 Max (metal), Unidad MS/Token, cuanto menor sea el valor, más rápido es.

Entrenamiento y melodía

Entrenamiento manual y ajuste fino

Pretración previa con datos no etiquetados: wiki de script de pre-entrenamiento
Utilice datos etiquetados para instrucciones ajustado fino: instrucción wiki de script de ajuste fino

Plantilla de directiva

Este proyecto Llama-3-Chinese-Instructo continúa utilizando la plantilla de instrucción de instrucciones LLAMA-3 original. Aquí hay un conjunto de ejemplos de conversación:

<| begin_of_text |> <| start_header_id |> sistema <| end_header_id | >>
Eres un asistente útil. <| eot_id |> <| start_header_id |> user <| end_header_id | >>
Hola <| eot_id |> <| start_header_id |> Assistant <| end_header_id | >>
¡Hola! ¿Hay algo que pueda ayudarte? <| eot_id |>

Datos de instrucciones

Los siguientes son algunos de los datos de instrucciones de código abierto de este proyecto. Para obtener más detalles, verifique: datos de comando

Nombre de datos	ilustrar	cantidad
alpaca_zh_51k	Datos de Alpaca traducidos usando GPT-3.5	51k
stem_zh_instruction	Los datos de STEM se arrastran con GPT-3.5, incluyendo física, química, medicina, biología y ciencias de la tierra	256k
ruozhiba_gpt4	Datos de preguntas y respuestas de Ruozhiba obtenidas utilizando GPT-4O y GPT-4T	2449

Preguntas frecuentes

Asegúrese de verificar si la solución ya existe en las preguntas frecuentes antes de enviar el problema. Para preguntas y respuestas específicas, consulte este proyecto Wiki Github

问题1：为什么没有像一期、二期项目一样做词表扩充？
问题2：会有70B版本发布吗？
问题3：为什么指令模型不叫Alpaca了？
问题4：本仓库模型能否商用？
问题5：为什么不对模型做全量预训练而是用LoRA？
问题6：为什么Llama-3-Chinese对话效果不好？
问题7：为什么指令模型会回复说自己是ChatGPT？
问题8：Instruct模型的v1（原版）和v2有什么区别？

Cita

Si ha utilizado recursos relevantes para este proyecto, consulte el informe técnico que cita este proyecto: https://arxiv.org/abs/2304.08177

 @article{chinese-llama-alpaca,
    title={Efficient and Effective Text Encoding for Chinese LLaMA and Alpaca},
    author={Cui, Yiming and Yang, Ziqing and Yao, Xin},
    journal={arXiv preprint arXiv:2304.08177},
    url={https://arxiv.org/abs/2304.08177},
    year={2023}
}

Para el análisis de si se debe expandir la lista de palabras, consulte la cita: https://arxiv.org/abs/2403.01851

 @article{chinese-mixtral,
      title={Rethinking LLM Language Adaptation: A Case Study on Chinese Mixtral}, 
      author={Cui, Yiming and Yao, Xin},
      journal={arXiv preprint arXiv:2403.01851},
      url={https://arxiv.org/abs/2403.01851},
      year={2024}
}

Descargo de responsabilidad

Este proyecto se desarrolla basado en el modelo LLAMA-3 publicado por Meta. Por favor, cumpla estrictamente con el acuerdo de licencia de código abierto de LLAMA-3 durante el uso. Si se trata de usar código de terceros, asegúrese de cumplir con el acuerdo de licencia de código abierto correspondiente. El contenido generado por el modelo puede afectar su precisión debido a métodos de cálculo, factores aleatorios y pérdidas cuantitativas de precisión. Por lo tanto, este proyecto no proporciona ninguna garantía para la precisión de la salida del modelo, ni será responsable de las pérdidas causadas por el uso de recursos relevantes y resultados de salida. Si los modelos relevantes de este proyecto se utilizan con fines comerciales, el desarrollador cumplirá con las leyes y regulaciones locales para garantizar el cumplimiento del contenido de salida del modelo. Este proyecto no será responsable de ningún producto o servicio derivado de ellos.

Comentarios de preguntas

Si tiene alguna pregunta, envíelo en el problema de GitHub. Haga preguntas cortésmente y cree una comunidad de discusión armoniosa.

Antes de enviar la pregunta, verifique si las preguntas frecuentes pueden resolver el problema. También se recomienda verificar si el problema anterior puede resolver su problema.
Para enviar una pregunta, utilice la plantilla de problema establecida por este proyecto para ayudar a ubicar rápidamente preguntas específicas.
La repetición y los problemas no relacionados con este proyecto serán procesados por el botón estable. Por favor comprenda.