国内评分最高的国内大模型是什么

国内的 AI 出海产品有 ThinkAny、GenSpark、Devv 等。 在图像类 AI 产品方面，国内有可灵和通义万相。可灵由快手团队开发，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；通义万相是阿里旗下的工具，在中文理解和处理方面表现出色，用户可选择多种艺术和图像风格，操作界面简洁直观，且目前免费，但在某些方面存在局限性。 在 PPT 类 AI 产品方面，国内推荐爱设计 PPT，其背后有强大的团队，能敏锐把握市场机遇，已确立市场领先地位，能提高制作效率并保证高质量输出。

以下是一些国内的文生图大模型： 百度的文心一言：https://wenxin.baidu.com 抖音的云雀大模型：https://www.doubao.com 智谱 AI 的 GLM 大模型：https://chatglm.cn 中科院的紫东太初大模型：https://xihe.mindspore.cn 百川智能的百川大模型：https://www.baichuanai.com/ 商汤的日日新大模型：https://www.sensetime.com/ MiniMax 的 ABAB 大模型：https://api.minimax.chat 上海人工智能实验室的书生通用大模型：https://internai.org.cn 此外，真人效果卓绝的大模型 lofi.v2 也可用于生成真实场景下的字体。在使用 SDXL 大模型时，其分为 base+refiner 以及配套的 VAE 模型，base 用于文生图操作，refiner 用于细化生成的模型，VAE 用于调节图片效果和色彩。要在 webUI 中使用，需将秋叶启动器中 webUI 的版本升级到 1.5 以上，并将模型放入对应文件夹。

以下是为您介绍的像 Midjourney 这样的国内外 AI 绘画社区相关内容： Midjourney 是 AI 绘图领域家喻户晓的产品。其优点在于模型强大，能生成高质量图像，且支持充分的个性化设置。但使用过程不太便捷，需要通过 Discord 应用加入其频道或创建自己的频道并邀请 Midjourney 机器人才能生成图片。从学习难度来看，它的学习曲线较陡峭，在用户体验和易用性方面有待改进。 在“学社说明”中提到，大家一起收集和测试 AI 绘画提示词中的核心关键词，让新手规避无效探索，为相关从业人员节省时间。招募有 Midjourney 账号且喜欢 AI 绘画的人员，扫飞书二维码进群。根据关键词做创意，收录不错的作品。 在“AI 线上绘画教程”中提到，工作中需要大量图片时，AI 生图是高效的解决办法。主流的 Midjourney 付费成本高，Stable Diffusion 硬件门槛不低，但有像这样的免费在线 SD 工具网站。本教程旨在让入门玩家在半个小时内自由上手创作绘图。

以下是为您整理的类似堆友、吐司的国内外 AI 生图产品： 国内： 阿里堆友 AI 反应堆：图像生成类产品。 图怪兽：资源类，4 月访问量 48.3 万 Visit，相对 3 月变化 0.299 。 美图秀秀 Meitu：图像编辑类，4 月访问量 47.9 万 Visit，相对 3 月变化 0.061 。 AI 抠图 pixian.ai：图像编辑类，4 月访问量 44 万 Visit，相对 3 月变化 0.176 。 佐糖：图像编辑类，4 月访问量 43.3 万 Visit，相对 3 月变化 0.071 。 我图网：图像生成类，4 月访问量 41.8 万 Visit，相对 3 月变化 0.012 。 文心一格：图像生成类，4 月访问量 41.5 万 Visit，相对 3 月变化 0.086 。 标智客 Ai Logo：图像生成类，4 月访问量 37.8 万 Visit，相对 3 月变化 1 。 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，最初采用内测邀请制，现向所有用户开放，价格相对较高，重度用户年费最高可达几千元，临时或轻度使用有免费点数和较便宜包月选项。 通义万相：在中文理解和处理方面表现出色，可从多种艺术和图像风格中选择，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，可与阿里其他产品和服务无缝整合，目前免费，每天签到获取灵感值，但存在一定局限性，如某些类型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不够出色，处理多元文化内容可能存在偏差。 国外：暂无相关具体产品信息。

以下是国内外大语言模型的对比情况： 1. 工具使用能力： 在工具使用的测评中，GPT4 Turbo 取得满分。 国内大模型中智谱清言表现不俗，取得 83.78 的高分，排名国内第一。文心一言 4.0、通义千问 2.0、Yi34BChat、AndesGPT 均有超过 70 分的表现。超过 GPT3.5 的国内模型有 12 个。 开源模型中，Baichuan213BChat、Xverse13B2Caht 表现可圈可点，均超过 GPT3.5 以及众多闭源模型。总体来看，国内大模型在工具使用能力上表现优异，这与国内大模型厂商积极落地应用密不可分。 2. 主观和客观对比： 通过对比模型在主观简答题 OPEN 和客观选择题 OPT 上的不同表现，国内大模型多数擅长做选择题，普遍选择题分数高于简答题分数。文心一言 4.0 和智谱清言表现相对稳定。 GPT4 Turbo 的表现最为稳定。 客观题相对主观题更容易通过题库形式进行训练和提升，同时由于客观题中包含中文特性问题，中文模型有一定优势，应综合来看模型的评测效果。 在本次测评中，国外的代表性大模型如 GPT4 的不同版本、Claude2、Llama2 都有很好的稳定性表现，值得国内大模型进一步分析研究。 3. 总体表现： GPT 4 Turbo 总分 90.63 分遥遥领先，高于其他国内大模型及国外大模型。国内最好模型文心一言 4.0有 4.9 分的差距。 过去 1 年国内大模型有长足进步，综合能力超过 GPT 3.5 和 GeminiPro 的模型有 11 个。 在 SuperCLUE 测评中，国外模型的平均成绩为 69.42 分，国内模型平均成绩为 65.95 分，差距在 4 分左右。国内外的平均水平差距在缩小，11 月差距在 10 分左右。 国内开源模型在中文上表现好于国外开源模型，如百川智能的 Baichuan213BChat、阿里云的 Qwen72B、Yi 34BCha t 均优于 Llama213BChat。

以下为您推荐国内网络能打开的免费好用的美术类 AI 工具： 1. 扣子 + ByteArtist 网址：https://www.coze.cn/home 优点：不需要翻墙，无收费，可以直接生成 注册：手机号、抖音号或飞书号 操作步骤：需要在 coze 的 bot 里面添加绘图插件 时间：5min 2. 无界 AI 网址：https://www.wujieai.cc/ 优点：国内网络即可稳定使用，有免费出图点数，支持中文关键词输入，无需额外下载风格模型，可直接取用 希望这些工具能满足您的需求。

在多轮开放式问题基准 SuperCLUEOPEN 测评中，国内模型中文心一言 4.0 的胜率国内最高，接近 30%。胜率超过 25%的国内模型还有智谱清言、通义千问 2.0 和 AndesGPT。 在 200 亿参数量级的开源模型中，Baichuan213BChat 的胜率排在首位。 在工具使用的测评中，国内模型中智谱清言表现不俗，取得了 83.78 的高分，排名国内第一。紧随其后的是文心一言 4.0、通义千问 2.0、Yi34BChat、AndesGPT 均有超过 70 分的表现。 综合来看，国内大模型中各有优势，具体的评分会因不同的测评维度和标准而有所差异。

以下是一些可能适用于为您的数字化看板评分的 AI 工具： 1. PlantUML：这是一个文本到 UML 的转换工具，能通过编写描述性文本自动生成序列图、用例图、类图等，有助于创建逻辑视图。 2. Gliffy：基于云的绘图工具，提供创建各种架构图的功能，包括逻辑视图和部署视图。 3. Archi：免费的开源工具，用于创建 ArchiMate 和 TOGAF 模型，支持逻辑视图的创建。 4. Rational Rose：IBM 的 UML 工具，支持创建多种视图，包含逻辑视图和部署视图。 需要注意的是，虽然这些工具可以辅助创建架构视图，但它们不都是基于 AI 的。AI 在绘图工具中的应用通常涉及智能推荐布局、自动生成图表代码或识别图表中的模式和关系。在选择工具时，您应该考虑您的具体需求，比如是否需要支持特定的建模语言、是否需要与特定的开发工具集成、是否偏好在线工具或桌面应用程序等。

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。

以下是从 0 到 1 学习大模型知识的相关内容： 什么是大模型： 通俗来讲，大模型是输入大量语料，让计算机获得类似人类的“思考”能力，能进行文本生成、推理问答、对话、文档摘要等工作。可以用“上学参加工作”来类比大模型的训练和使用过程： 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：大模型需要大量数据，几千亿序列（Token）的输入基本是标配。 3. 找老师：用合适算法让大模型更好理解 Token 之间的关系。 4. 就业指导：为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，会对输入进行数字化形成词汇表。 大模型如何运作： 打个比方，“我今天吃了狮子头和蔬菜”这句话，在 transformer 中，会由 attention 层对其加入更多信息补充，如“狮子头是一道菜”“今天是星期六”等，这些补充信息会作为输入给到下一个 attention 层，最终哪些信息补充、保留、传递由模型自主学习。层与层之间就像人阅读文章时的连贯性注意力过程，大模型以词向量和 transformer 模型学习海量知识，把知识作为向量空间中的关系网存储，接受输入时通过向量空间中的匹配进行输出。这个过程像人脑阅读学习，记忆的不是逐字逐句，而是按相关性、重要程度结合历史经验，比如看到红色会觉得代表温暖、强烈。 大模型的整体架构： 从整体分层角度，大模型架构可分为以下几层： 1. 基础层：为大模型提供硬件支撑、数据支持，如 A100、数据服务器等。 2. 数据层：分为静态的知识库和动态的三方数据集，不是用于基层模型训练的数据基集，而是企业根据自身特性维护的垂域数据。 3. 模型层：包括 LLm（largelanguagemodel，如 GPT，一般使用 transformer 算法实现）或多模态模型（如文生图、图生图等，训练数据与 llm 不同，用图文或声音等多模态数据集）。 4. 平台层：如大模型的评测体系或 langchain 平台等，提供模型与应用间的组成部分。 5. 表现层：即应用层，是用户实际看到的地方。

在 ComfyUI 中使用 Flux1dev 模型，24G 显存是可以的，但建议内存尽量高于 32G 以避免意外情况的发生。如果您的显卡是 24G 或更高，右键 24G 那个 train_flux_24GLora 的文件。修改脚本路径和参数时，要注意底模路径、VAE 路径、数据集路径，还有下面的 clip 路径和 T5xxl 路径的正确填写。ae.safetensors 和 flux1dev.safetensors 的下载地址为：https://huggingface.co/blackforestlabs/FLUX.1dev/tree/main 。flux 相关模型（体积较大）的夸克网盘链接：https://pan.quark.cn/s/b5e01255608b ，百度网盘链接：https://pan.baidu.com/s/1mCucHrsfRo5SttW03ei0g?pwd=ub9h 提取码：ub9h 。如果 GPU 性能不足、显存不够，底模可以使用 fp8 的量化版模型，下载地址：https://huggingface.co/Kijai/fluxfp8/tree/main 。最后下载 dev 的工作流： ，或者使用官方原版的图片链接 https://comfyanonymous.github.io/ComfyUI_examples/flux/flux_dev_example.png ，打开 ComfyUI 把工作流或图片拖拽到其中即可。

在 ComfyUI 中使用 flux1dev 模型所需的显存情况如下： 相关模型的下载地址：https://huggingface.co/blackforestlabs/FLUX.1dev/tree/main 。 对于 GPU 性能不足、显存不够的情况，底模可以使用 fp8 的量化版模型，下载地址为：https://huggingface.co/Kijai/fluxfp8/tree/main 。 低显存方案（8G 以下）：flux1devbnbnf4.safetensors ，放入 ComfyUI\\models\\checkpoints 文件夹内，下载链接为 https://huggingface.co/lllyasviel/flux1devbnbnf4/blob/main/flux1devbnbnf4.safetensors 。 此外，还提供了以下相关资源链接： BitsandBytes Guidelines and Flux ：https://github.com/lllyasviel/stablediffusionwebuiforge/discussions/981 ComfyUI_bitsandbytes_NF4 节点：https://github.com/comfyanonymous/ComfyUI_bitsandbytes_NF4

训练自己的小说大纲模型可以参考以下步骤： 步骤一：创建数据集 1. 进入厚德云模型训练数据集，网址为：https://portal.houdeyun.cn/sd/dataset 。 2. 在数据集一栏中，点击右上角创建数据集。 3. 输入数据集名称。 4. 可以上传包含图片+标签的 zip 文件，也可以只有图片没有打标文件（之后可在 c 站使用自动打标功能）。 5. 也可以一张一张单独上传照片，但建议提前把图片和标签打包成 zip 上传。 6. Zip 文件里图片名称与标签文件应当匹配，例如：图片名“1.png”，对应的达标文件就叫“1.txt”。 7. 上传 zip 以后等待一段时间。 8. 确认创建数据集，返回到上一个页面，等待一段时间后上传成功，可以点击详情检查，可预览到数据集的图片以及对应的标签。 步骤二：Lora 训练 1. 点击 Flux，基础模型会默认是 FLUX 1.0D 版本。 2. 选择数据集，点击右侧箭头，会跳出所有上传过的数据集。 3. 触发词可有可无，取决于数据集是否有触发词。 4. 模型效果预览提示词则随机抽取一个数据集中的标签填入即可。 5. 训练参数这里可以调节重复次数与训练轮数，厚德云会自动计算训练步数。如果不知道如何设置，可以默认 20 重复次数和 10 轮训练轮数。 6. 可以按需求选择是否加速，点击开始训练，会显示所需要消耗的算力。 7. 然后等待训练，会显示预览时间和进度条。训练完成的会显示出每一轮的预览图。 8. 鼠标悬浮到想要的轮次模型，中间会有个生图，点击会自动跳转到使用此 lora 生图的界面。点击下方的下载按钮则会自动下载到本地。 步骤三：Lora 生图 1. 点击预览模型中间的生图会自动跳转到这个页面。 2. 模型上的数字代表模型强度，可以调节大小，正常默认为 0.8，建议在 0.6 1.0 之间调节。 3. 也可以自己添加 lora 文件，点击后会显示训练过的所有 lora 的所有轮次。 4. VAE 不需要替换。 5. 正向提示词输入写的提示词，可以选择基于这个提示词一次性生成几张图。 6. 选择生成图片的尺寸，横板、竖版、正方形。 7. 采样器和调度器新手小白可以默认不换。 8. 迭代步数可以按照需求在 20 30 之间调整。 9. CFG 可以按照需求在 3.5 7.5 之间调整。 10. 随机种子 1 代表随机生成图。 11. 所有设置都好了以后，点击开始生态，生成的图会显示在右侧。 12. 如果有哪次生成结果觉得很不错，想要微调或者高分辨率修复，可以点开那张图，往下滑，划到随机种子，复制下来，粘贴到随机种子这里，这样下次生成的图就会和这次的结果近似。 13. 如果确认了一张很合适的种子和参数，想要高清放大，则点开高清修复，可以选择想放大的倍数。新手小白可以就默认这个算法，迭代步数也是建议在 20 30 之间，重回幅度根据需求调整，正常来说在 0.3 0.7 之间调整。 今日作业 按照比赛要求，收集六个主题中一个主题的素材并且训练出 lora 模型后提交 lora 模型与案例图像。提交链接:https://waytoagi.feishu.cn/share/base/form/shrcnpJAtTjID7cIcNsWB79XMEd 。 另外，直接在 Comfy UI 中训练 LoRA 模型的步骤如下： 1. 确保后面有一个空格。然后将 requirements_win.txt 文件拖到命令提示符中（如果在 Windows 上；否则，选择另一个文件 requirements.txt）。拖动文件将在命令提示符中复制其路径。 2. 按 Enter 键，这将安装所有所需的依赖项，使其与 ComfyUI 兼容。请注意，如果为 Comfy 使用了虚拟环境，必须首先激活它。 3. 教程： 图像必须放在一个以命名的文件夹中。那个数字很重要：LoRA 脚本使用它来创建一些步骤（称为优化步骤…但别问我是什么^^’）。它应该很小，比如 5。然后，下划线是必须的。 对于 data_path，必须写入包含数据库文件夹的文件夹路径。例如：C:\\database\\5_myimages ，必须写 C:\\database 。 对于参数，在第一行，可以从 checkpoint 文件夹中选择任何模型。据说必须选择一个基本模型进行 LoRA 训练。但也可以尝试使用微调。

训练自己的模型可以参考以下内容： 基于百川大模型： 选择 Baichuan27BChat 模型作为底模，配置模型本地路径和提示模板。 在 Train 页面里，选择 sft 训练方式，加载定义好的数据集（如 wechat 和 self_cognition）。 注意学习率和训练轮次的设置，要根据数据集大小和收敛情况来调整。 使用 FlashAttention2 可减少显存需求，加速训练速度。 显存小的情况下，可以减少 batch size 并开启量化训练，内置的 QLora 训练方式好用。 需要用到 xformers 的依赖。 显存占用约 20G 左右，训练时间根据聊天记录规模大小而定，少则几小时，多则几天。 训练自己的 AI 绘画模型（Stable Diffusion）： 样本采样器（sample_sampler）：可选择，默认是“ddim”。 保存模型格式（save_model_as）：可选择，SD WebUI 兼容"ckpt"和"safetensors"格式模型。 训练流程主要包括： 训练集制作：数据质量评估、标签梳理、数据清洗、标注、标签清洗、增强等。 训练文件配置：预训练模型选择、训练环境配置、训练步数及其他超参数设置等。 模型训练：运行训练脚本，使用 TensorBoard 监控。 模型测试：用于效果评估与消融实验。 训练资源： Rocky 整理优化过的 SD 完整训练资源 SDTrain 项目，可通过关注公众号 WeThinkIn，后台回复“SDTrain”获取。

以下是一些评价较高的与 OA 相关的 AI 应用： BOSS 直聘简历筛选功能：利用自然语言处理和机器学习技术，快速筛选简历，提高招聘效率。 贝壳找房租赁管理功能：通过数据分析和自然语言处理技术，管理房地产租赁业务，提高效率。 腾讯游戏社交平台：借助数据分析和机器学习技术，为玩家提供社交平台，增强游戏体验。 彩云天气 APP：运用数据分析和机器学习技术，提供准确的天气预报预警，保障生命财产安全。 下厨房口味调整功能：使用自然语言处理和数据分析技术，根据用户反馈调整菜谱口味。 英语流利说纠错功能：基于自然语言处理和机器学习技术，帮助语言学习者纠正错误。 豆瓣电影剧情分析工具：利用数据分析和自然语言处理技术，分析电影剧情，提供深度解读。 腾讯文档分类功能：依靠数据分析和机器学习技术，自动分类办公文件，方便管理。 美丽修行定制方案功能：凭借图像识别和数据分析技术，根据用户肤质定制护肤方案。 宝宝树安全座椅推荐：借助数据分析和机器学习技术，为家长推荐合适的儿童安全座椅。 途虎养车保养推荐：通过数据分析和机器学习技术，根据车辆情况推荐保养套餐。 丰巢快递柜管理系统：利用数据分析、物联网技术，优化快递柜使用效率。 智联招聘面试模拟功能：运用自然语言处理和机器学习技术，帮助求职者进行面试模拟。 酷家乐装修设计软件：使用图像生成和机器学习技术，为用户提供装修设计方案。

以下为您推荐野菩萨的 AI 课程，它具有丰富的内容和免费课程机会： 预习周课程：包括 AI 绘画电脑配置要求、高效 AIGC 创意者的数字人工具包、SD 插件安装方法、画静为动的 AIGC 视频制作讲解等。 基础操作课：涵盖 AI 绘画通识课、AI 摄影虚拟的真实、AI 电影穿越的大门等内容。 核心范式课程：涉及词汇的纸牌屋、核心范式应用、控制随机性等方面。 SD WebUi 体系课程：包括 SD 基础部署、SD 文生图、图生图、局部重绘等。 ChatGPT 体系课程：有 ChatGPT 基础、核心文风、格式、思维模型等内容。 ComfyUI 与 AI 动画课程：包含部署和基本概念、基础工作流搭建、动画工作流搭建等。 应对 SORA 的视听语言课程：涉及通识欢迎参加电影的葬礼、影像赏析、基础戏剧影视文学等。 如果您想要免费获得这门课程，可以来参与 video battle，每期的评委野菩萨老师都非常严格，需要寓意深度审美并存。冠军奖励 4980 课程一份，亚军奖励 3980 课程一份，季军奖励 1980 课程一份，入围奖励 598 野神殿门票一张。 人字头企业，讲究社会责任。无论您是 AI 小白还是深入学习者，这门课程都能给您带来帮助。扫码添加菩萨老师助理，了解更多课程信息。让我们一起在“通往 AGI 之路”社区学习成长，探索 AI 的无限可能。