国内大模型评测

以下是为您找到的关于主流大模型应用能力评测的相关报告： 小七姐的测评： 测评机制：以同组提示词下 ChatGPT 4.0 生成的内容做对标参照，对智谱清言、文心一言 4.0、Kimi Chat 进行测评。 能力考量：包括复杂提示词理解和执行（结构化提示词）、推理能力（CoT 表现）、文本生成能力（写作要求执行）、提示词设计能力（让模型设计提示词）、长文本归纳总结能力（论文阅读）。 测评轮次：共分为五轮，分别针对不同的任务和模型进行多次测试。 中文大模型基准测评 2023 年度报告： 优秀模型：文心一言 4.0 API（百度）。 模型特点：在计算、逻辑推理、生成与创作、传统安全这 4 大基础能力上排名国内第一，在代码、知识与百科、语言理解与抽取、工具使用能力上排名国内前三，各项能力表现均衡且水平较高。 适合应用：能力栈广泛，可应用于查询搜索知识应用、任务拆解规划 Agent、文案写作、代码编写及纠错等方面，在逻辑推理方面表现不俗，可关注在科学研究、教育、工业方面的落地能力。 观点文章中的测评： 目前体验效果比较好的有科大星火模型、清华 ChatGLM、百度文心一言。 星火目前感觉最接近 GPT3.5（0301 版本）的 80%90%，但 GPT3.5 进化到 6 月版本效果更强。 对大模型的评估可从基础能力、职场能力、探索对话三个方面判断，基础能力包括语言（文本）生成和语言理解，如常识类问题和分词类问题。

评测模型生图好坏的标准主要包括以下几个方面： 1. 模型选择： 基础模型（Checkpoint）：生图必需，不同模型适用于不同主题。 Lora：低阶自适应模型，可用于精细控制面部、材质、物品等细节。 ControlNet：控制图片中特定图像，如人物姿态、生成特定文字等。 VAE：类似于滤镜，可调整生图饱和度。 2. 提示词设置： 正向提示词（Prompt）：描述想要 AI 生成的内容。 负向提示词（Negative Prompt）：描述想要 AI 避免产生的内容。 3. 图片视觉质量： 自然度和美观度是关键指标。 可从数据和训练方法两方面提升，如使用特定的网络结构。 4. 文字生成能力： 目前未有模型具有良好的中文文字生成能力。 提升中文文字生成能力需从多方面准备数据。 需要注意的是，模型生图的效果并非完全由这些标准决定，还可能受到其他因素的影响，需要不断尝试和学习以获得更好的生图效果。

以下是关于多模图生文评测集的相关信息： 为全面比较 Kolors 与其他模型的生成能力，构建了包含人工评估、机器评估的全面评测内容。构建了包含 14 种垂类、12 个挑战项、总数量为一千多个 prompt 的文生图评估集 KolorsPrompts。在 KolorsPrompts 上，收集了 Kolors 与市面上常见的 SOTA 级别的开源/闭源系统的文生图结果，并进行了人工评测和机器评测。 人工评测方面，邀请了 50 个具有图像领域知识的专业评估人员对不同模型的生成结果进行对比评估，衡量维度为画面质量、图文相关性、整体满意度三个方面。Kolors 在整体满意度方面处于最优水平，其中画面质量显著领先其他模型。具体的平均分数如下： AdobeFirefly：整体满意度平均分 3.03，画面质量平均分 3.46，图文相关性平均分 3.84。 Stable Diffusion 3：整体满意度平均分 3.26，画面质量平均分 3.5，图文相关性平均分 4.2。 DALLE 3：整体满意度平均分 3.32，画面质量平均分 3.54，图文相关性平均分 4.22。 Midjourneyv5：整体满意度平均分 3.32，画面质量平均分 3.68，图文相关性平均分 4.02。 Playgroundv2.5：整体满意度平均分 3.37，画面质量平均分 3.73，图文相关性平均分 4.04。 Midjourneyv6：整体满意度平均分 3.58，画面质量平均分 3.92，图文相关性平均分 4.18。 Kolors：整体满意度平均分 3.59，画面质量平均分 3.99，图文相关性平均分 4.17。所有模型结果取自 2024.04 的产品版本。 Kolors 开源模型相关： 2024.07.03，Kolors 在智源研究院评测中取得第二名，其中中文主观质量、英文主观质量两个单项排名第一。 2024.07.02，祝贺，可图项目组提出的可控视频生成方法被 ECCV 2024 接收。 2024.02.08，祝贺，可图项目组提出的生成模型评估方法被 CVPR 2024 接收。 多模态大模型入门指南： 训练过程： 预训练阶段：通常利用 XText 的数据集，来训练输入、输出的 Projector。通过优化损失函数来实现不同模态的对齐。PEFT 有时候用于 LLM Backbone。X文本数据集包含图像文本、视频文本和音频文本，其中图像文本有两种类型：图像文本对（即<img1><txt1>）和交错图像文本语料库（即，txt1><img1><txt2><txt3><img2><txt4>）。这些 XText 数据集的详细统计数据如附录 F 的表 3 所示。 多模态微调：对满足指令微调格式的一系列数据集对预训练好的多模态大模型进行微调。通过这种微调，MMLLM 可以遵循新的指令泛化到没有见过的任务，增强 zeroshot 的能力。MM IT 包括监督微调（SFT）和 RLHF 两部分，目的是为了使得模型符合人类的意图或者偏好，并且增强 MMLLMs 的交互能力。SFT 将 PT 阶段的数据转换为指令aware 的格式，使用 QA 任务作为例子。可以采用各种模板。优化目标和预训练相同，SFT 数据可以构造为单轮的 QA 或者多轮的 QA。常用的 SFT 和 RLHF 的数据集见表 4。

以下是关于图生文评测集的相关内容： 为全面比较 Kolors 与其他模型的生成能力，构建了包含人工评估、机器评估的全面评测内容。在相关基准评测中，Kolors 表现有竞争力，达业界领先水平。构建了包含 14 种垂类、12 个挑战项、总数量一千多个 prompt 的文生图评估集 KolorsPrompts。在 KolorsPrompts 上，收集了 Kolors 与常见 SOTA 级别开源/闭源系统的文生图结果，并进行人工评测和机器评测。 人工评测方面，邀请 50 个具有图像领域知识的专业评估人员对不同模型生成结果对比评估，衡量维度为画面质量、图文相关性、整体满意度。Kolors 在整体满意度方面最优，画面质量显著领先其他模型。具体平均分如下： |模型|整体满意度平均分|画面质量平均分|图文相关性平均分| ||||| |AdobeFirefly|3.03|3.46|3.84| |Stable Diffusion 3|3.26|3.5|4.2| |DALLE 3|3.32|3.54|4.22| |Midjourneyv5|3.32|3.68|4.02| |Playgroundv2.5|3.37|3.73|4.04| |Midjourneyv6|3.58|3.92|4.18| |Kolors|3.59|3.99|4.17| 此外，还有关于 Vidu 大家测试和 Tusiart 简易上手教程的相关信息： Vidu 全球上线，注册即刻体验。Web 端访问：https://www.vidu.studio/ ，具有极速生成（实测 30 秒最快推理速度）、动漫风格、角色可控、精准理解、大片质感等特点。同时提供了“文生视频”“图生视频（用作起始帧）”“参考人物角色生成视频”的使用指南及相关视频链接。 Tusiart 简易上手教程中，文生图的相关要点包括：提示词相关性（数字在 5 15 之间为宜）、随机种子、ADetailer（面部修复插件）、CLIP skip（设成 2 ）。

以下是一些常见的大模型排名及评测标准维度： FlagEval（天秤）大模型评测体系及开放平台： 地址： 简介：旨在建立科学、公正、开放的评测基准、方法、工具集，协助研究人员全方位评估基础模型及训练算法的性能，同时探索利用 AI 方法实现对主观评测的辅助，大幅提升评测的效率和客观性。创新构建了“能力任务指标”三维评测框架，细粒度刻画基础模型的认知能力边界，可视化呈现评测结果。 CEval： 地址： 简介：构造了一个覆盖人文，社科，理工，其他专业四个大方向，52 个学科（微积分，线代…），从中学到大学研究生以及职业考试，一共 13948 道题目的中文知识和推理型测试集。此外还给出了当前主流中文 LLM 的评测结果。 SuperCLUElyb： 地址： 简介：中文通用大模型匿名对战评价基准，这是一个中文通用大模型对战评价基准，它以众包的方式提供匿名、随机的对战。他们发布了初步的结果和基于 Elo 评级系统的排行榜。 斯坦福发布的大模型排行榜 AlpacaEval： 项目链接：https://github.com/tatsulab/alpaca_eval 排行榜链接：https://tatsulab.github.io/alpaca_eval/ 该研究团队选择了目前在开源社区很火的开源模型，还有 GPT4、PaLM 2 等众多「闭源」模型，甚至还开设了一个「准中文」排行榜。 AlpacaEval 分为以 GPT4 和 Claude 为元标注器的两个子榜单。 在斯坦福的这个 GPT4 评估榜单中： GPT4 稳居第一，胜率超过了 95%；胜率都在 80%以上的 Claude 和 ChatGPT 分别排名第二和第三，其中 Claude 以不到 3%的优势超越 ChatGPT。 值得关注的是，获得第四名的是一位排位赛新人——微软华人团队发布的 WizardLM。在所有开源模型中，WizardLM 以仅 130 亿的参数版本排名第一，击败了 650 亿参数量的 Guanaco。 而在开源模型中的佼佼者 Vicuna 发挥依然稳定，凭借着超过 70%的胜率排在第六，胜率紧追 Guanaco 65B。 最近大火的 Falcon Instruct 40B 表现不佳，仅位居 12 名，略高于 Alpaca Farm 7B。 AlpacaEval 的技术细节： 人类一致性：标注者与交叉标注集中人类多数票之间的一致性。 价格：每 1000 个标注的平均价格。 时间：计算 1000 个标注所需的平均时间。相对于人工标注，全自动化的 AlpacaEval 仅需花费约 1/22 的经济成本和 1/25 的时间成本。 AlpacaEval 评估模型的方式： alpaca_eval：直接根据目标模型输出的响应来评估模型。 alpaca_eval evaluate_from_model：根据 HuggingFace 已注册模型或这 API 提供商来端到端评测模型。 评测过程分为以下 3 步： 1. 选择一个评估集，并计算指定为 model_outputs 的输出。默认情况下，使用来自 AlpacaEval 的 805 个示例。 2. 计算 golden 输出 reference_outputs。默认情况下，在 AlpacaEval 上使用 textdavinci003 的输出。 3. 通过 annotators_config 选择指定的自动标注器，它将根据 model_outputs 和 reference_outputs 计算胜率。这里建议使用 alpaca_eval_gpt4 或 claude。根据不同的标注器，使用者还需要在环境配置中设定 API_KEY。

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。

微调（Finetuning）包括以下方面： 数据格式化： 需一组训练示例，每个含输入（“提示”）及关联输出（“完成”）。 提示应以固定分隔符（如\n\n\n\n）结尾，完成应以空格开头，并以固定停止序列（如\n、等）结束。 推理时应按创建训练数据集的方式格式化提示及指定停止序列。 一般最佳实践： 使用更多高质量示例效果更好，至少几百个，最好经人类专家审查，示例数量增加通常能线性提高性能。 分类器较易上手，对于分类问题建议使用 ada，微调后通常比强大模型稍差但速度快、成本低。 若对已有数据集微调，应手动检查数据是否有问题。 创建微调模型： 假设已准备好训练数据，使用 OpenAI CLI 开始微调工作，需指定基本模型名称（ada、babbage、curie 或 davinci），可自定义微调模型名称。 运行命令会上传文件、创建作业、流式传输事件直至完成，可能需几分钟到数小时，完成后会显示微调模型名称，还可进行列出现有作业、检索状态或取消作业等操作。 使用微调模型： 作业成功后，fine_tuned_model 字段填充模型名称，可在 Completions API 中指定该模型并使用 Playground 发出请求。 首次完成后可能需几分钟准备，若请求超时可能是模型仍在加载，几分钟后重试。 可通过多种方式（如 OpenAI 命令行界面、cURL、Python、Node.js 等）传递模型名称发出请求，并使用其他完成参数。 删除微调模型： 组织中被指定为“所有者”才能删除。 准备数据集： 微调是强大技术，用于创建特定用例新模型，微调前建议阅读针对用例的最佳实践和具体指南。

Sora 是 OpenAI 于 2024 年 2 月发布的文本到视频的生成式 AI 模型。 生成视频的提示词与一般问答提示词的区别和注意事项如下： 1. 对于视频生成，神经网络是单射函数，拟合的是文本到视频的映射。由于视频的动态性高，值域大，因此需要丰富且复杂的提示词来扩大定义域，以学好这个函数。 2. 详细的文本提示能迫使神经网络学习文本到视频内容的映射，加强对提示词的理解和服从。 3. 和 DALL·E 3 一样，OpenAI 用内部工具（很可能基于 GPT4v）给视频详尽的描述，提升了模型服从提示词的能力以及视频的质量（包括视频中正确显示文本的能力）。但这会导致在使用时的偏差，即用户的描述相对较短。OpenAI 用 GPT 来扩充用户的描述以改善这个问题，并提高使用体验和视频生成的多样性。 4. 除了文本，Sora 也支持图像或者视频作为提示词，支持 SDEdit，并且可以向前或者向后生成视频，因此可以进行多样的视频编辑和继续创作，比如生成首尾相连重复循环的视频，甚至连接两个截然不同的视频。 以下是一些 Sora 的案例提示词，如：“小土豆国王戴着雄伟的王冠，坐在王座上，监督着他们广阔的土豆王国，里面充满了土豆臣民和土豆城堡。”“咖啡馆的小地图立体模型，装饰着室内植物。木梁在上方纵横交错，冷萃咖啡站里摆满了小瓶子和玻璃杯。”“一张写有‘SORA’的写实云朵图像。”“一群萨摩耶小狗学习成为厨师的电影预告片‘cinematic trailer for a group of samoyed puppies learning to become chefs’”

以下是关于大学教材数据大模型的相关知识： 大模型通俗来讲，是输入大量语料，让计算机获得类似人类的“思考”能力，能够理解自然语言，进行文本生成、推理问答、对话、文档摘要等工作。 大模型的训练和使用过程可以类比为上学参加工作： 1. 找学校：训练大模型需要大量计算，GPU更合适，只有购买得起大量GPU的才有资本训练自己的大模型。 2. 确定教材：大模型需要的数据量特别多，几千亿序列（Token）的输入基本是标配。 3. 找老师：即用合适的算法讲述“书本”中的内容，让大模型更好理解Token之间的关系。 4. 就业指导：为了让大模型更好胜任某一行业，需要进行微调（fine tuning）指导。 5. 搬砖：就业指导完成后，正式干活，比如进行翻译、问答等，在大模型里称之为推导（infer）。 在LLM中，Token被视为模型处理和生成的文本单位，可以代表单个字符、单词、子单词，甚至更大语言单位，具体取决于所使用的分词方法（Tokenization）。Token是原始文本数据与LLM可以使用的数字表示之间的桥梁，在将输入进行分词时，会对其进行数字化，形成一个词汇表。 数字化便于计算机处理，为让计算机理解Token之间的联系，还需把Token表示成稠密矩阵向量，这个过程称为embedding，常见算法有： 基于统计：Word2Vec通过上下文统计信息学习词向量；GloVe基于词共现统计信息学习词向量。 基于深度网络：CNN使用卷积网络获得图像或文本向量；RNN/LSTM利用序列模型获得文本向量。 基于神经网络：BERT基于Transformer和掩码语言建模（Masked LM）进行词向量预训练；Doc2Vec使用神经网络获得文本序列的向量。 以Transform为代表的大模型采用自注意力（Selfattention）机制来学习不同token之间的依赖关系，生成高质量embedding。大模型的“大”指用于表达token之间关系的参数多，主要是模型中的权重（weight）与偏置（bias），例如GPT3拥有1750亿参数，其中权重数量达到这一量级，而词汇表token数只有5万左右。 常用的模型网站有： 下载模型后需要将之放置在指定的目录下，不同类型的模型放置目录不同。模型的类型可以通过检测。 大模型（Ckpt）：放入models\\Stablediffusion VAE模型：一些大模型需要配合vae使用，对应的vae同样放置在models\\Stablediffusion或models\\VAE目录，然后在webui的设置栏目选择。 Lora/LoHA/LoCon模型：放入extensions\\sdwebuiadditionalnetworks\\models\\lora，也可以在models/Lora目录 Embedding模型：放入embeddings目录

以下是关于 2024 年度中文大模型基准测评报告的相关信息： 2024 年 7 月 10 日： 《SuperCLUE：中文大模型基准测评 2024 年上半年报告》指出，2024 年上半年中文大模型技术取得显著进展，国内外模型差距缩小至 5%以内。国内开源模型如 Qwen272B 表现优异，超越众多闭源模型。端侧小模型发展迅速，落地可行性大幅提升。该报告通过多维度、多层次测评体系，全面评估了大模型的通用能力和专项能力，为行业发展提供了客观数据支持。同时也指出，尽管大模型在多领域展现潜力，但仍面临技术挑战和应用落地问题。 2024 年 11 月 8 日： SuperCLUE 团队发布的新一期《SuperCLUE：中文大模型基准测评 2024 年 10 月报告》中有四点核心发现：1）OpenAI 发布 o1 后，全球大模型竞争加剧；2）国内大模型第一梯队竞争激烈，持续迭代表现不俗；3）国内外大模型在不同任务上表现各有优势；4）端侧小模型表现惊艳。 此外，Sora：大型视觉模型的背景、技术、局限性和机遇综述【官方论文】的参考文献包括： T.Shen,R.Jin,Y.Huang,C.Liu,W.Dong,Z.Guo,X.Wu,Y.Liu,和 D.Xiong,“大型语言模型对齐：一项调查”，arXiv 预印本 arXiv:2309.15025，2023 年。 X.Liu,X.Lei,S.Wang,Y.Huang,Z.Feng,B.Wen,J.Cheng,P.Ke,Y.Xu,W.L.Tam,X.Zhang,L.Sun,H.Wang,J.Zhang,M.Huang,Y.Dong,和 J.Tang,“Alignbench：大型语言模型中文对齐的基准测试”，2023 年。 P.Christiano,J.Leike,T.B.Brown,M.Martic,S.Legg,和 D.Amodei,“基于人类偏好的深度强化学习”，2023 年。 T.Yu,Y.Yao,H.Zhang,T.He,Y.Han,G.Cui,J.Hu,Z.Liu,H.T.Zheng,M.Sun,和 T.S.Chua,“RLHFV：通过细粒度校正人类反馈实现可信赖的 MLLMs 行为对齐”，2023 年。 M.S.Jahan 和 M.Oussalah,“使用自然语言处理进行仇恨言论自动检测的系统综述。”，《神经计算》，第 126232 页，2023 年。 OpenAI,“Sora 安全。”https://openai.com/sorasafety，2024 年。

基座模型是在自然语言处理领域中具有重要地位的模型。 例如，GLM（General Language Model）是清华提出的基座模型，属于Prefix LM方式。其出发点是希望能同时在3种NLP任务上达到最优，同时不想引入原始encoderdecoder成倍的计算量代价。具体做法是先用双向网络encoder对题干（prompt）审题，然后通过decoderonly的方式把题干中位置做展开作答。 此外，还有一些开源的基座模型，如： 1. CPMBee：一个完全开源、允许商用的百亿参数中英文基座模型。采用Transformer自回归架构，在超万亿高质量语料上进行预训练，拥有强大的基础能力。 2. TigerBot：一个多语言多任务的大规模语言模型，开源了包括模型：TigerBot7B、TigerBot7Bbase、TigerBot180B，基本训练和推理代码，100G预训练数据，涵盖金融、法律、百科的领域数据以及API等。 3. 书生·浦语：由商汤科技、上海AI实验室联合香港中文大学、复旦大学和上海交通大学发布的千亿级参数大语言模型，具有1040亿参数，基于“包含1.6万亿token的多语种高质量数据集”训练而成。 在一些应用中，如Kolors，会选择直接使用大语言模型如ChatGLM6BBase作为文本编码的基座模型。

目前国内图像生成类 AI 有很多优秀的产品，难以明确指出哪一个是最强的。一些常见且表现出色的图像生成类 AI 包括百度的文心一格、字节跳动的云雀等。 以文心一格为例，其基础操作教程通常如下： 1. 访问文心一格的官方网站。 2. 注册并登录账号。 3. 在操作界面中输入您想要生成图像的描述关键词。 4. 选择生成图像的风格、尺寸等参数。 5. 点击生成按钮，等待系统生成图像。 不同的图像生成类 AI 可能在操作细节上有所差异，但大致流程相似。您可以根据自己的需求和使用体验选择适合您的图像生成类 AI 工具。

以下是一些国内外最新且主流好用的文生视频工具： 1. Pika：擅长动画制作，支持视频编辑。 2. SVD：Stable Diffusion 的插件，可在图片基础上生成视频。 3. Runway：老牌工具，提供实时涂抹修改视频功能，但收费。 4. Kaiber：能将原视频转换成各种风格的视频。 5. Sora：由 OpenAI 开发，可生成长达 1 分钟以上的视频。 更多的文生视频网站可查看：https://www.waytoagi.com/category/38 。 以生成方式划分，当前视频生成可分为文生视频、图生视频与视频生视频。视频生成涉及深度学习技术，如 GANs 和 Video Diffusion，主流生成模型为扩散模型。一些具有代表性的海外项目如： 1. Sora（OpenAI）：以扩散 Transformer 模型为核心，能生成长达一分钟的高保真视频，支持多种生成方式，在文本理解方面表现出色，能在单个生成的视频中创建多个镜头，保留角色和视觉风格。 2. Genie（Google）：采用 STtransformer 架构，包括潜在动作模型、视频分词器与动力学模型，拥有 110 亿参数，被定位为基础世界模型，可通过单张图像提示生成交互式环境。

目前国内有以下一些比较出色的 AI 工具： 1. 图像类： 可灵：由快手团队开发，主要用于生成高质量的图像和视频，图像质量高，但价格相对较高，重度用户年费可达几千元，轻度用户有每日免费点数和较便宜的包月选项。 通义万相：在中文理解和处理方面表现出色，可选择多种艺术和图像风格，生成图像质量高、细节丰富，操作界面简洁直观，用户友好度高，且目前免费，每天签到获取灵感值即可使用。但某些类型的图像因国内监管要求无法生成，处理非中文语言或国际化内容可能存在不足。 2. 编程类： GitHub Copilot：由 GitHub 联合 OpenAI 和微软 Azure 团队推出，支持多种语言和 IDE，能快速提供代码建议。 通义灵码：阿里巴巴团队推出，提供多种编程辅助能力。 CodeWhisperer：亚马逊 AWS 团队推出，可为开发人员实时提供代码建议。 CodeGeeX：智谱 AI 推出的开源免费工具，基于 130 亿参数的预训练大模型，能快速生成代码。 Cody：Sourcegraph 推出，借助强大的代码语义索引和分析能力，了解开发者的整个代码库。 CodeFuse：蚂蚁集团支付宝团队推出的免费 AI 代码助手，基于自研基础大模型微调。 Codeium：通过提供代码建议、重构提示和代码解释帮助软件开发人员提高效率和准确性。 更多辅助编程 AI 产品，还可以查看：https://www.waytoagi.com/category/65 。每个工具的功能和适用场景可能不同，您可以根据自身需求选择。

以下是在国内使用 ChatGPT 的相关步骤： 1. 注册谷歌账号：国外很多软件支持谷歌账号一键登录，注册国内手机号码和国内邮箱验证即可。 2. 【苹果系统】 在 AppleStore 下载 chatgpt：中国区正常下载不了，需切换到美区。美区 AppleID 注册教程可参考知乎链接：。最终在 AppleStore 搜到 chatgpt 下载安装，注意别下错。 支付宝购买苹果礼品卡充值订阅付费 App：打开支付，地区切换到美区任意区，找到【品牌精选折扣礼品卡】，点击【大牌礼品卡】，往下滑找到【App Store&iTunes US】礼品卡，按需要金额购买，建议先买 20 刀。包括支付宝购买礼品卡、在 apple store 中兑换礼品卡、在 chatgpt 中购买订阅 gpt plus，中途不想订阅可到订阅列表取消。 3. 使用 ChatGPT 4o： 开启对话：打开 ChatGPT 应用或网页，点击开始对话。会员在苹果或安卓手机上购买，电脑上也能登录。 体验最新语音对话功能：版本切到 ChatGPT 4o，点击右下角“耳机🎧”图标，选择一个声音即可。

在国内使用 ChatGPT （以苹果系统为例）： 1. 下载 ChatGPT ：中国区无法正常在 AppleStore 下载，需切换到美区。美区 AppleID 注册教程可参考知乎链接： 。最终在 AppleStore 搜索并下载安装，注意别下错。 2. 购买订阅： 打开支付宝，地区切换到【美区任意区】，往下滑，找到【品牌精选 折扣礼品卡】，点击进去，看到【大牌礼品卡】，往下滑找到【App Store&iTunes US】礼品卡，按需要的金额购买，建议先买 20 刀。 支付宝购买礼品卡。 在 apple store 中兑换礼品卡。 在 chatgpt 中购买订阅 gpt plus ，中途不想继续订阅可到订阅列表中取消订阅。 3. 使用 ChatGPT ： 开启对话：打开 ChatGPT 应用或网页，点击开始对话。会员在苹果或安卓手机上购买的，电脑上也能登录。 体验最新语音对话功能：版本切到 ChatGPT 4o ，点击右下角“耳机🎧”图标，选择一个声音即可体验流畅的语音对话。 此外，ChatGPT 官网有 GPT3.5 和 GPT4 两个版本。GPT3.5 免费，拥有账号即可使用，但智能程度不如 GPT4 ，且无法使用 DALL.E3 等功能和插件。GPT4 的 PLUS 套餐收费标准为 20 美金一个月，还有团队版和企业版，功能更多、限制更少但费用更贵，一般推荐使用 PLUS 套餐。在注册 ChatGPT 账号前，建议先注册一个谷歌账号，目前注册谷歌账号支持国内手机号码和国内邮箱验证。

目前国内较多人使用的 AI 软件及应用场景如下： 医疗保健领域： 医学影像分析：辅助诊断疾病。 药物研发：加速药物研发过程。 个性化医疗：提供个性化治疗方案。 机器人辅助手术：提高手术精度和安全性。 金融服务领域： 风控和反欺诈：降低金融机构风险。 信用评估：帮助做出贷款决策。 投资分析：辅助投资者决策。 客户服务：提供 24/7 服务并回答常见问题。 零售和电子商务领域： 产品推荐：向客户推荐可能感兴趣的产品。 搜索和个性化：提供个性化购物体验。 动态定价：根据市场需求调整产品价格。 聊天机器人：回答客户问题并解决问题。 制造业领域： 预测性维护：避免机器故障停机。 质量控制：检测产品缺陷。 供应链管理：优化供应链提高效率和降低成本。 机器人自动化：提高生产效率。 此外，还有一些具体的应用产品，如： 游戏领域：腾讯游戏助手的 AI 游戏角色生成器，为游戏开发者生成独特角色。 招聘领域：智联招聘 APP 的 AI 招聘筛选工具，帮助企业快速筛选简历。 房地产领域：贝壳找房 APP 的 AI 房地产评估系统，准确评估房地产价值。 天气领域：墨迹天气 APP 的 AI 天气预报助手，提供精准天气预报和气象预警。 需要注意的是，关于国内使用人数最多的 AI 软件，没有确切的权威统计数据，其使用情况可能因行业、用户需求和地域等因素而有所不同。