中国头部的大模型公司分别是哪几家？

以下是一些可用于构建专属智能体以撰写公司新闻稿的平台及操作步骤： 1. Coze：这是新一代的一站式 AI Bot 开发平台，适用于构建基于 AI 模型的各类问答 Bot。它集成了丰富的插件工具，能极大地拓展 Bot 的能力边界。 2. Microsoft 的 Copilot Studio：其主要功能包括外挂数据、定义流程、调用 API 和操作，以及将 Copilot 部署到各种渠道。 3. 文心智能体：百度推出的基于文心大模型的智能体平台，支持开发者根据自身需求打造大模型时代的产品能力。 4. MindOS 的 Agent 平台：允许用户定义 Agent 的个性、动机、知识，以及访问第三方数据和服务或执行设计良好的工作流。 5. 斑头雁：2B 基于企业知识库构建专属 AI Agent 的平台，适用于客服、营销、销售等多种场景，提供多种成熟模板，功能强大且开箱即用。 6. 钉钉 AI 超级助理：依托于钉钉强大的场景和数据优势，提供更深入的环境感知和记忆功能，在处理高频工作场景如销售、客服、行程安排等方面表现出色。 在实际构建和应用智能体时，您可以遵循以下准则： 1. 彻底让自己变成一个“懒人”。 2. 能动嘴的不要动手（用嘴说出您想做的事远比打字来的快）。 3. 能动手的尽量用 AI（用 AI 远比您苦哈哈的手敲要来的快）。 4. 把您手上的工作单元切割开，建设属于自己的智能体。 5. 根据结果反馈不断调整自己的智能体。 6. 定期审视自己的工作流程，看哪个部分可以更多的用上 AI。 您可以根据自己的需求选择适合的平台进行进一步探索和应用。

目前存在众多行业，以下为您列举部分常见行业及其头部企业（排名不分先后）： 1. 互联网行业：阿里巴巴、腾讯、百度、字节跳动、京东。 2. 金融行业：中国工商银行、中国建设银行、中国农业银行、中国银行、交通银行。 3. 制造业：华为、海尔、格力、美的、三一重工。 4. 医疗行业：恒瑞医药、迈瑞医疗、药明康德、复星医药、云南白药。 5. 能源行业：中国石油、中国石化、国家电网、中国海油、中国神华。 需要注意的是，行业的划分和头部企业的认定会随着市场变化而有所不同。您可以根据自身的专业和兴趣，进一步利用 AI 工具深入了解特定行业和企业的招聘信息。

以下是中国头部的大模型公司： 北京： 百度（文心一言）：https://wenxin.baidu.com 抖音（云雀大模型）：https://www.doubao.com 智谱 AI（GLM 大模型）：https://chatglm.cn 中科院（紫东太初大模型）：https://xihe.mindspore.cn 百川智能（百川大模型）：https://www.baichuanai.com/ 上海： 商汤（日日新大模型）：https://www.sensetime.com/ MiniMax（ABAB 大模型）：https://api.minimax.chat 上海人工智能实验室（书生通用大模型）：https://internai.org.cn 此外，字节和腾讯都有团队在和外部大模型合作。创业公司中表现出色的有： 智谱：一年间推出了 4 代 GLM，一直是国内能力最好的模型之一。 MiniMax：推出了 MoE 架构的新模型，和“星野”这个目前国内最成功的 AI 陪聊 APP。 月之暗面：专注长 Token 能力，在记忆力和长 Token 能力上可圈可点。 通过 SuperCLUE 测评结果发现，国内大模型的第一梯队还有文心一言 4.0、通义千问 2.0 引领研发进度。从国内 TOP19 大模型的数量来看，创业公司和大厂的占比几乎持平。

以下是关于头部公司为了 AI 花费情况的一些信息： OpenAI 已投入 10 亿美元（主要来自 Musk），虽然拥有王牌团队和崇高使命，但对如何实现目标曾毫无头绪。 去年，大部分企业的生成式人工智能支出来自“创新”预算和其他一次性资金池。到 2024 年，许多头部企业将这些支出重新分配到更为永久的软件预算项上。一家公司提到基于 LLM 技术的客户服务每通电话节省了约 6 美元，总体节省了约 90%的成本，这是增加八倍投资于生成式人工智能的原因之一。 在生成式 AI 领域，大部分的钱花在了三大云上：AWS、谷歌云（GCP）和微软 Azure。三大云每年花费超千亿美元的资本支出以确保拥有全面、可靠、具成本优势的云平台。迄今为止，生成式 AI 领域最大的幕后赢家可能是运行了绝大多数 AI 工作负载的英伟达（NVIDIA）。此外，甲骨文等挑战者已通过巨额资本支出和销售激励进军市场，一些初创公司也在快速发展。

在开发产品视角的大模型 RAG 应用的 Prompt 阶段，匹配出与问句向量最相似的 top k 个 chunk 后，将匹配出的文本和问句添加到配置好的 prompt 中提交给 LLM。在这个过程中，根据论文《Lost in the Middle:How Language Models Use Long Contexts》，由于大模型对上下文中间位置的知识点提取较差，所以把 query（即问句）放到 prompt 的头部和尾部，同时按照相似度，将相似度大的文档放置在 context（上下文）的两端，这样做能够提升回答效果。要做到这一点，需要在进行 prompt 工程时，选择最合适的 prompt 模板，并按照上述原则对 query 和相似度大的文档进行合理的位置安排。

目前，大模型的头部公司有很多，以下是一些知名的公司： 百度：其文心一言是当前国内能力较好的模型之一。 抖音：云雀大模型具有一定的影响力。 智谱 AI：推出了多代 GLM 模型，在国内表现出色。 中科院：紫东太初大模型也备受关注。 百川智能：其百川大模型具有一定的特色。 商汤：日日新大模型在市场上有一定的知名度。 MiniMax：推出了具有特色的模型和产品。 这些公司在大模型领域都有一定的技术实力和市场影响力，但随着技术的不断发展，其他公司也可能会崛起。在选择使用大模型时，用户可以根据自己的需求和应用场景进行评估和选择。

腾讯混元大模型（HunyuanLarge）是全球最大的 MoE 开源模型，具有以下特点： 拥有 3890 亿参数，其中活跃参数为 520 亿。 具备强大的长文本处理和常识推理能力，支持 256K 上下文窗口。 通过数据增强，使用合成数据提升对未见内容的理解。 详细介绍： 模型下载： 技术报告：

以下为整合多家大语言模型的工具介绍： 1. Poe： 由 Quora 开发，有 APP 版本，支持跨端使用。 集成了 Chat GPT、GPT4、Claude+、Claude、Dragonfly 等模型，同时支持用户自建 Chatbot。 不同语言模型回复效果有差异，适合需要调用多种大语言模型的用户。 Dragonfly 擅长给出较短的回答，并擅长在输入中给出示例时遵循指示。 Claude 更擅长创造性回复，配合 Poe 中的提问引导，非常适合在查阅资料时使用，有时能够给出超越直接使用 Chat GPT 时的体验，但和 Chat GPT 一样，Claude 也时常会给出一些错误回复，一些问题可在两个模型中都问一遍提升信息准确性。 支持分享用户和模型的对话内容，但 GPT4、Claude+产品需要付费订阅使用。 访问地址： Poe 中的提问引导能够启发用户，支持 Explore Chatbot，但丰富度不如后续要介绍的 Character，midjourney prompt 扩写 Chatbot 能力很惊人。 2. Ollama： 支持多种大型语言模型，包括通义千问、Llama 2、Mistral 和 Gemma 等，适用于不同应用场景。 易于使用，适用于 macOS、Windows 和 Linux 系统，同时支持 cpu 和 gpu。 提供模型库，用户可从中下载不同模型，这些模型有不同参数和大小，以满足不同需求和硬件条件。模型库可通过 https://ollama.com/library 查找。 用户可通过简单步骤自定义模型，例如修改模型的温度参数来调整创造性和连贯性，或者设置特定的系统消息。 提供 REST API，用于运行和管理模型，以及与其他应用程序的集成选项。 社区贡献丰富，包括多种集成插件和界面，如 Web 和桌面应用、Telegram 机器人、Obsidian 插件等。 下载安装地址：https://ollama.com/download/ ，安装完后，在 mac 上启动 ollama 应用程序，在 linux 上通过 ollama serve 启动，可通过 ollama list 确认，未下载模型时正常显示空，可通过 ollama 命令下载模型。 3. 未来还会不断丰富大模型的外延能力，例如知识库检索、计算工具、WolframAlpha、操作软件等。首先集成了 LangChain 框架，可更方便地基于 Llama2 开发文档检索、问答机器人和智能体应用等。针对 LangChain 框架封装的 Llama2 LLM 类见，简单的调用代码示例如下。

以下是一些关于大模型的前沿论文： 2017 年发布的《Attention Is All You Need》，开启了大模型发展的序幕。 2018 年 Google 提出的 BERT（Bidirectional Encoder Representations from Transformers），创新性地采用双向预训练并行获取上下文语义信息及掩码语言建模，参数规模在 110M 到 340M 之间。 2018 年 OpenAI 提出的 GPT（Generative Pretrained Transformer），开创了仅使用自回归语言建模作为预训练目标的方式，参数规模达 1750 亿。 2021 年 Meta 提出的 Large LAnguage Model Approach（LLAMA），是首个开源模型，为构建更大规模、更通用的语言模型提供了方法与工具，参数规模在十亿到千亿之间。 2024 年苹果公布的《MM1:Methods,Analysis & Insights from Multimodal LLM Pretraining》，这是一个具有高达 30B 参数的多模态 LLM 系列，探讨了不同架构组件和数据选择的重要性。

目前对比不同大语言模型的性能需要考虑多个维度，包括但不限于以下方面： 1. 理解能力：评估对语言的理解程度，涵盖语法、语义、上下文和隐含意义。 2. 生成质量：检查生成文本的流畅性、相关性和准确性。 3. 知识广度和深度：衡量对广泛主题的知识掌握及特定领域的理解深度。 4. 泛化能力：测试处理未见过任务或数据时的表现。 5. 鲁棒性：应对错误输入、对抗性输入或模糊指令的能力。 6. 偏见和伦理：评估生成文本是否存在偏见，是否遵循伦理标准。 7. 交互性和适应性：在交互环境中的表现，对用户反馈的适应和持续对话能力。 8. 计算效率和资源消耗：考虑模型大小、训练和运行所需的计算资源。 9. 易用性和集成性：是否易于集成到不同应用和服务，提供的 API 和工具的易用性。 为进行有效比较，可采用以下方法： 1. 标准基准测试：使用如 GLUE、SuperGLUE、SQuAD 等标准评估基准。 2. 自定义任务：根据特定需求设计任务评估特定领域表现。 3. 人类评估：结合人类评估者的主观评价，尤其在评估文本质量和伦理问题时。 4. A/B 测试：在实际应用场景中比较不同模型表现。 5. 性能指标：使用准确率、召回率、F1 分数、BLEU 分数等量化比较。 对于大模型的安全对齐，通过对齐（指令调优）能使语言模型更好理解人类意图并增加安全保障，避免输出有害内容。对齐任务可拆解为监督微调及获取 reward model 与进行强化学习调整输出分布两部分。LLAMA2 专门使用安全有监督微调确保安全。强化学习能根据人类反馈调整分布，使模型面对训练分布外数据时能拒绝不当回答。但 Alignment 并非能防护所有安全问题，存在越狱情况使模型对齐失效。 Qwen 2 开源后模型性能超越目前所有开源模型和国内闭源模型。玉宝搞过的 LLM 在线评估中可看到国内闭源大模型的 HUMANEVAL 测评得分，可与 Qwen 2 对比，参考网址：https://www.llmrank.cn/ 。2023 年 8 月起，通义千问推出 Qwen 系列，Qwen 系列的 72B、110B 模型多次登顶 HuggingFace 的 Open LLM Leaderboard 开源模型榜单。Qwen 2 系列已上线魔搭社区 ModelScope 和阿里云百炼平台，也已上线中国大语言模型评测竞技场 Compass Arena，测评地址：https://opencompass.org.cn/arena 。Compass Arena 集齐了国内主流的 20 多款大模型，用户可选择两两“对战”。

Llama 模型相关信息如下： 基于多模态大模型给现实世界加一本说明书：后端采用 llama.cpp 挂载 LLaVA 模型，为应用提供推理服务。同时，部署了一个 Flask 应用用于数据前处理和后处理，提供 Stream 流服务。前端页面采用 HTML5，用于采集画面和用户输入。 LLM 开源中文大语言模型及数据集集合：未直接提及 Llama 模型的具体内容。 LayerStyle 副本中的 LayerUtility 中的 LaMa：根据图像遮罩擦除物体，是对 IOPaint 的封装，由 SOTA AI 模型提供支持。提供 LaMa 等模型以及多种擦除方法，可下载模型文件放到指定位置，并对节点选项进行了说明，如选择模型或方法、设备选择、遮罩反转、遮罩扩张幅度、遮罩模糊幅度等。

GPT4o 是 OpenAI 推出的模型。开发人员现在可在 API 中将其作为文本和视觉模型进行访问。与 GPT4 Turbo 相比，具有速度快 2 倍、价格减半、速率限制高出 5 倍的优势。未来几周计划向 API 中的一小群受信任的合作伙伴推出对其新音频和视频功能的支持。 GPT4o（“o”代表“omni”）是迈向更自然人机交互的一步，能接受文本、音频和图像的任意组合作为输入，并生成文本、音频和图像输出的任意组合。它在 232 毫秒内可响应音频输入，平均为 320 毫秒，与人类响应时间相似。在英语文本和代码上的 GPT4 Turbo 性能相匹配，在非英语语言的文本上有显著改进，在 API 中更快且便宜 50%，在视觉和音频理解方面表现出色。 在 GPT4o 之前，语音模式由三个独立模型组成的管道实现，存在信息丢失等问题。而 GPT4o 是在文本、视觉和音频上端到端训练的新模型，所有输入和输出都由同一个神经网络处理，但对其能做什么及局限性仍在探索。

Perplexity 是一家专注于开发新一代 AI 搜索引擎的公司，创立于 2022 年 8 月，由前 OpenAI 研究科学家 Aravind Srinivas 与前 Meta 研究科学家 Denis Yarats（Perplexity CTO）等合伙人共同创办。 其优势包括： 1. 理解能力强：能够深入理解查询的语义，而非仅仅匹配关键词，提供更准确和相关的结果。 2. 生成式回答：可以生成通顺的自然语言回答，而非简单返回网页链接和片段，使结果更易于理解和使用。 3. 个性化和上下文感知：能根据用户的历史查询和偏好个性化结果，提供更贴合需求的答复。 劣势有： 1. 训练成本高：训练大型 LLM 模型需要大量计算资源和高质量训练数据，成本较高。 2. 可解释性差：LLM 的工作原理较为黑箱，难以解释为何给出某个结果，缺乏透明度。 3. 潜在的偏差和不当内容：由于训练数据的局限性，可能产生偏见或不当内容。 独特之处在于将 LLM 技术应用于搜索引擎领域，试图颠覆传统基于关键词匹配的搜索范式，为用户提供更自然和智能的搜索体验，还融合了个性化和上下文感知等功能，努力成为新一代的“智能助手”。 在成立的 18 个月内，Perplexity 达到了 10 亿美元估值。但它与其他由 LLM 驱动的服务一样面临着幻觉问题等挑战，同时人工智能驱动的搜索也存在可靠性问题。

以下是一些著名的提供方案解决的 AI 咨询公司及相关信息： 在 AI 心理咨询产品方面，有 Woebot、Replika、Talkspace、Wysa、Moodfit、Youper 等。Woebot 是基于聊天机器人的心理健康平台，使用认知行为疗法原理引导用户。Replika 是 AI 驱动的个人朋友，提供情感支持和指导。Talkspace 是在线心理咨询平台，使用 AI 技术匹配咨询师。Wysa 提供情绪管理和心理健康支持。Moodfit 分析用户情绪模式并提供建议。Youper 结合 AI 和虚拟现实改善心理健康。但对于严重心理问题仍需专业帮助，且应作为传统咨询的补充。 在其他 AI 应用方面，如 14 号的小红书穿搭推荐，是 AI 时尚穿搭建议平台，利用图像识别和数据分析，根据用户身材和风格提供穿搭建议。15 号的蚂蚁财富智能理财助手，通过数据分析和机器学习为用户提供专业投资建议。16 号的法信智能法律咨询，运用自然语言处理和知识图谱解答法律问题。17 号的慧植农当家等是 AI 农业病虫害识别系统，借助图像识别和机器学习帮助农民识别病虫害。18 号的小米智能家居系统，基于物联网技术和机器学习实现家居设备智能化控制。19 号的文案狗等是 AI 广告文案生成工具，通过自然语言处理快速生成吸引人的广告文案。 在生成式 AI 平台的基础设施供应商方面，英伟达是目前该领域最大的幕后赢家，其数据中心 GPU 收入可观，建立了坚固的护城河。同时也有其他供应商，如甲骨文等挑战者，以及一些提供针对大模型开发人员解决方案的初创公司，如 Coreweave 和 Lambda Labs 等。此外还有谷歌张量处理单元（TPU）、AMD Instinct GPU、AWS Inferentia 和 Trainium 芯片，以及来自 Cerebras、Sambanova 和 Graphcore 等初创公司的 AI 加速器，英特尔也带着高端芯片进入市场，但新芯片占据的市场份额有限。

以下是一些值得关注的 AI 公司： 在移动应用领域，ChatGPT 占据榜首位置，其月活跃用户数大幅领先。此外，微软 Edge、Photomath、微软基于 AI 技术全新打造的搜索引擎 Bing 以及照片美化和虚拟形象制作工具 Remini 也在移动应用前五强中。同时，有五家 AI 公司实现了“双线作战”，其网页端、移动端应用双双跻身前 50 强榜单，分别是 ChatGPT、Character.AI、chatbot 平台 Poe、图片编辑应用 Photoroom 和 Pixelcut。 AI Friendship 是令人惊讶的应用之一，其用户和使用指标显示出强烈的用户喜爱。 工作流程自动化平台 ServiceNow 通过 AI 驱动的 Now Assist 实现了近 20%的事件避免率。Palo Alto Networks 利用 AI 降低了处理费用的成本。Hubspot 利用 AI 扩大了能够支持的用户规模。瑞典金融科技公司 Klarna 通过将 AI 融入用户支持，在运行率方面节省了 4000 多万美元。

目前，中国上市公司在 AI 应用方面取得了一定进展。 一方面，许多公司正将 AI 融入其工作流程，以快速达成 KPI、扩张规模和降低成本。例如，工作流程自动化平台 ServiceNow 通过 AI 驱动的 Now Assist，实现了近 20%的事件避免率；Palo Alto Networks 利用 AI 降低了处理费用的成本；Hubspot 利用 AI 扩大了能够支持的用户规模。瑞典金融科技公司 Klarna 最近宣布，通过将 AI 融入用户支持，他们在运行率方面节省了 4000 多万美元。 另一方面，对于 AI 应用层的创业者来说，存在一些问题和探索。中国企业软件的发展曾受人均 GDP 不够高、人力成本等因素限制，但如果 AI 能极大降低软件成本并提高效率，可能带来价值突破。我们期待中国 2B 的 AI 软件应用实现跨越式发展。 此外，还有一些相关的资源可供参考，如 2022 2024 年融资 2000 万美金以上的公司列表和详细公司分析、AI Grant 公司列表和详细公司分析、AIGC 行业与商业观察等。同时，也有关于 AI 变革公司/产业实践探索的相关内容，如 2023 年年报中中国上市公司对生成式 AI 的使用，以及安克创新的 AI 实践分析等。

以下是近期融资的 AI 行业上市公司的相关信息： Celestial AI 融资 1 亿美元，用于使用基于光的互连传输数据。 Zenarate 融资 1500 万美元，是提供 AI 模拟培训平台的公司。 Augmedics 获得 8250 万美元，用于使用 AR 和 AI 进行脊柱手术。 CalypsoAI 筹集了 2300 万美元，用于生成 AI 模型的护栏。 2024 年美国融资金额超过 1 亿美元的 AI 公司（截止 2024.10.15）： |项目名称|融资时间|融资金额（亿美元）|轮次|估值（亿美元）|主营|产业链标签|话题标签|投资方|其他信息| ||||||||||| |Weka|20240513|1.4|E|16|AI 原生数据平台|应用|数据|Valor Equity Partners, 高通创投, Nvidia, 日立创投| |CoreWeave|20240501|11|C|190|GPU 基础设施|基础设施|硬件和云平台|Coatue, Fidelity, Altimeter Capital, Magnetar Capital| |Scale AI|202405|10|F|140|数据标记服务|应用|数据|Accel, Tiger Global, Spark Capital, 亚马逊| |Blaize|20240429|1.06|D||AI 边缘计算平台|基础设施|硬件和云平台|淡马锡, 富兰克林邓普顿, Bess Ventures| |Augment|20240424|2.27|B|10|AI 编码辅助|应用|编程|Lightspeed Venture Partners, Index Ventures, Sutter Hill Ventures| |Cognition|20240424|1.75||20|端到端软件 Agents|应用|编程|Founders Fund, Ramp 联合创始人 Eric Glyman, Stripe 联合创始人 Patrick 和 John Collison, DoorDash 联合创始人 Tony Xu| |Xaira Therapeutics|20240423|10|A||AI 药物研发|应用|医学|Foresite Capital, ARCH Venture Partners| 近期热门融资 AI 产品速递 1 st ： You.com 已完成多轮融资，包括来自 Salesforce CEO Marc Benioff 的 2000 万美元资金和 4500 万美元的募资。目前，You.com 用户数量稳定增长，已超过 10 万。体验链接：www.you.com

以下是为您整理的关于 AI 公司评测标准的相关内容： 在 AI 领域，对公司的评测可能涉及多个方面。例如，从宏观角度来看，一个国家在 AI 方面的领先地位可能取决于其研究基础、高校培养的专业人才、创新者的创造力以及政府的长期投资和支持。同时，良好的监管环境对于确保创新者能够发展并应对 AI 带来的风险至关重要。 在具体的活动如麦乐园 AI 选美大赛中，评审标准包括审美（美的人、服装、场景）、创意（令人耳目一新）、氛围（情绪和故事性饱满，令人回味）、技术（精致执行，无明显瑕疵）。但需要注意的是，这只是特定活动中的评审标准，不能完全代表对 AI 公司的普遍评测标准。 总体而言，AI 公司的评测标准是复杂且多维度的，会因具体的应用场景和行业需求而有所不同。