国内大语言模型都有哪些

以下是关于 AI 模型的相关信息： OpenAI API 由多种具有不同功能和价位的模型提供支持，还可通过微调针对特定用例对原始基本模型进行有限定制。具体模型包括： GPT4 Beta：一组改进 GPT3.5 的模型，能理解和生成自然语言或代码。 GPT3.5：一组改进 GPT3 的模型，能理解并生成自然语言或代码。 DALL·E Beta：能在给定自然语言提示的情况下生成和编辑图像的模型。 Whisper Beta：能将音频转换为文本的模型。 Embeddings：一组能将文本转换为数字形式的模型。 Codex Limited Beta：一组能理解和生成代码的模型，包括将自然语言转换为代码。 Moderation：能检测文本是否敏感或不安全的微调模型。 GPT3：一组能理解和生成自然语言的模型。 OpenAI 于 9.12 发布新模型，开发了一系列旨在花更多时间思考后再做出响应的新 AI 模型，能推理完成复杂任务并解决更难问题。已发布该系列在 ChatGPT 和 API 中的第一个，这是一个预览，期待定期更新和改进，还包括下一次更新的评估，目前正在开发中。 大模型与当下智能语音技能的 NLU 存在本质差别。语音技能 NLU 是通过一系列规则、分词策略等训练而成，运作逻辑规律可观测，具有 ifelse 式逻辑性。而大模型凭借海量数据在向量空间中学习知识的关联性形成，运作逻辑难以观测，脱离了 ifelse 的层面。汪华老师认为此次 AI 变革量级 100%能抵达与移动互联网同一级别，50%有可能发展至与蒸汽机出现同量级，能否到达 AGI 尚不明确。

华为已宣布会在手机端侧搭载大模型，但目前还存在一些问题。目前并没有真正全离线版的大模型产品，端上智能暂时还是噱头。手机厂商的打法基本是大模型放在线上，手机调用，搭配小 AI 做总结等服务。纯粹的端上智能存在几个问题： 1. 离线小模型与在线大模型有代际能力差距，消费者可能更倾向使用线上模型服务。 2. 小模型的耗能和生热难以达到手机要求。 3. 目前 AI 不是刚需，猎奇成分较多。 4. 技术上不能确认小型化的模型是“真 AGI”还是“聊天机器”。所以短期内端上智能仍会停留在个别小市场里。此外，目前使用最新的骁龙 8Gen3 旗舰处理器搭载大模型，存在耗能散热等问题。

目前国内大模型的综合实力情况如下： 在 SuperCLUE 测评中，GPT4Turbo 总分 90.63 分遥遥领先，国内最好模型文心一言 4.0（API）总分 79.02 分，距离 GPT4Turbo 有 11.61 分的差距。 综合能力超过 GPT3.5 和 GeminiPro 的国内模型有 11 个，比如百度的文心一言 4.0、阿里云的通义千问 2.0 和 Qwen72BChat、OPPO 的 AndesGPT、清华&智谱 AI 的智谱清言、字节跳动的云雀大模型等都有较好表现。 国内开源模型在中文上表现要好于国外开源模型。 国内最领先的模型水平大概在准 ChatGPT3.5 的水平，和 GPT4 还有不小差距。百度的“文心 4.0”是当前国内能力较好的模型之一，即将发布的阿里的“通义千问”也备受关注。 8 月正式上线的国内大模型包括北京的百度（文心一言）、抖音（云雀大模型）、智谱 AI（GLM 大模型）、中科院（紫东太初大模型）、百川智能（百川大模型），上海的商汤（日日新大模型）、MiniMax（ABAB 大模型）、上海人工智能实验室（书生通用大模型）。

2023 年下半年，部分声称性能卓越的中国大模型被揭露为“套壳”产品。如李开复创办的“零一万物”被国外开发者质疑为“套壳”产品，其团队承认在训练过程中沿用了开源架构，但强调是为快速起步。12 月，字节跳动被曝出在其秘密研发的大模型项目中调用了 OpenAI 的 API 并使用 ChatGPT 的输出数据来训练自己的模型。OpenAI 反应迅速坚决，暂停相关账号并表示将进一步调查。字节跳动回应称在 2023 年初技术团队在大模型探索初期有部分工程师将 GPT 的 API 服务用于较小模型的实验性项目研究，且自 2023 年 4 月引入调用规范检查后已停止。此外，不仅国内存在此类现象，24 年也有更多被指“套壳”的事件。同时，提示词攻击在业内是公开的秘密，国内外各大著名的 AI 厂商几乎无一幸免，系统提示处于泄露状态，大模型应用脆弱，数据易被获取。

国内大模型的发展情况较为复杂，并非简单的山寨结果。2023 年下半年以来，部分声称性能卓越的中国大模型被揭露为“套壳”产品，如李开复创办的“零一万物”被国外开发者质疑为“套壳”产品，字节跳动也被曝出在其秘密研发的大模型项目中存在违规调用 OpenAI 的 API 等问题。 大模型的建设方式大致可分为三类： 1. 原创大模型：稀少而珍贵，需要强大的技术积累、持续的高投入，充满风险，一旦模型竞争力不足，投入可能付诸东流。 2. 套壳开源大模型：是一种务实的发展路径，利用现有资源快速迭代和改进，但需要在借鉴中实现突破和创新。 3. 拼装大模型：将过去的小模型拼接在一起，试图通过整合资源实现质的飞跃，但整体性能并非各部分简单相加。 现实中，原创大模型数量最少、最具挑战性，而大多数参与者因担心风险仍追逐原创大模型，导致大量套壳和拼装大模型出现。

以下是借鉴“决战拜年之巅”实现一个工作场合游戏的相关要点： 1. 开发背景：“决战拜年之巅”是参加 Globalgamejam 游戏比赛时，在 48 小时内开发的，主题源于“make me laugh”，产品负责人谐音想到江浙沪孝子排行榜的“孝”，结合春节想到做类似拜年的东西。 2. 火爆情况：在参赛群发布半成品后，在 QQ、微信迅速火爆，两天内有 200 万用户，最高峰同时在线 6 万人，服务器一度支持不了，凌晨才做好调整，后续有厂商赞助服务器，上线约一周。 3. 游戏特点：基于 GLM 大模型开发，又称过年模拟器，玩家在 10 个 AI 角色组成的家人群里，面对“七大姑八大姨”的连环拷问自由对话打出结局。 4. 借鉴要点： 明确创新主题和玩法，结合特定场景和需求。 注重用户体验，及时应对服务器等技术支持问题。 利用 AI 技术实现角色互动和自由对话。 需要注意的是，“决战拜年之巅”被认为可能是一个 chatbot 而非严格意义上的游戏。在设计工作场合的游戏时，要明确以下三个点：（具体要点未在提供的内容中明确）

以下是一些大语言模型的综述论文： 参考文献： B.Wang, W.Chen, H.Pei, C.Xie, M.Kang, C.Zhang, C.Xu, Z.Xiong, R.Dutta, R.Schaeffer 等，“Decodingtrust：GPT 模型中信任度的全面评估”，arXiv 预印本 arXiv:2306.11698，2023。 Z.Zhang, L.Lei, L.Wu, R.Sun, Y.Huang, C.Long, X.Liu, X.Lei, J.Tang, 和 M.Huang, “Safetybench：使用多项选择题评估大型语言模型的安全性”，2023。 X.Shen, Z.Chen, M.Backes, Y.Shen, 和 Y.Zhang, “现在就做任何事：在大型语言模型上表征和评估野外越狱提示”，arXiv 预印本 arXiv:2308.03825，2023。 X.Liu, N.Xu, M.Chen, 和 C.Xiao, “Autodan：在对齐的大型语言模型上生成隐蔽的越狱提示”，arXiv 预印本 arXiv:2310.04451，2023。 S.Zhu, R.Zhang, B.An, G.Wu, J.Barrow, Z.Wang, F.Huang, A.Nenkova, 和 T.Sun, “Autodan：对大型语言模型的可解释梯度基对抗攻击”，2023。 A.Zhou, B.Li, 和 H.Wang, “针对越狱攻击保护语言模型的强健提示优化”，arXiv 预印本 arXiv:2401.17263，2024。 X.Guo, F.Yu, H.Zhang, L.Qin, 和 B.Hu, “Coldattack：用隐蔽性和可控性越狱 LLMs”，2024。 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。 Z.Fei, X.Shen, D.Zhu, F.Zhou, Z.Han, S.Zhang, K.Chen, Z.Shen, 和 J.Ge, “Lawbench：大型语言模型的法律知识基准测试”，arXiv 预印本 arXiv:2309.16289，2023 年。 市场分析 其他观点 相关论文： ：斯坦福大学对基础模型的概述论文。 ：年度回顾，涵盖 AI 领域的所有事物。 ：对大型语言模型（LLMs）在劳动力市场潜在影响的早期研究。 ：Eric Topol 医生揭示了人工智能如何有可能将医生从耗费大量时间的任务中解放出来，从而不会干扰到人与人之间的连接。

以下是关于 AI 与语言学习的相关内容： 使用 AI 工具学习外语的方法和工具： 1. 语言学习应用： Duolingo：使用 AI 个性化学习体验，根据进度和错误调整练习内容，通过游戏化方式提供词汇、语法、听力和口语练习。下载应用，选择语言，按课程指引学习。 Babbel：结合 AI 技术提供个性化课程和练习，重点是实际交流所需语言技能。注册账户，选择课程，按学习计划学习。 Rosetta Stone：使用动态沉浸法，通过 AI 分析学习进度，提供适合练习和反馈。注册并选择语言，使用多种练习模式学习。 2. AI 对话助手： ChatGPT：可模拟对话练习，提高语言交流能力。在聊天界面选择目标语言，进行对话练习，询问语法、词汇等问题，模拟实际交流场景。 Google Assistant：支持多种语言，可进行日常对话练习和词汇学习。设置目标语言，通过语音或文本输入互动。 学习方法建议： 1. 设定目标：明确学习目标和时间表，分阶段完成学习任务。 2. 多样化练习：结合听、说、读、写多种方式进行练习，全面提升语言技能。 3. 模拟真实环境：尽量多与母语者交流，或使用 AI 对话助手模拟真实对话场景。 4. 定期复习：使用 AI 工具的复习功能，根据记忆曲线定期复习已学内容，巩固记忆。 通过这些 AI 工具和方法，可以有效地学习一门外语，提升语言能力。坚持使用，并结合实际交流，不断进步。

国内大语言模型的应用较为广泛，以下为您介绍部分常见的大语言模型及其应用： 1. 云雀大模型（豆包）：在信息安全相关的在线课程和讲座等方面有应用。 2. AndesGPT（OPPO）：已接入 OPPO 智能助理新小布，可用于用机助手、内容创作、超级问答、专属 AI、日程管理等全新能力，正在公测中。其聚焦在移动设备端的应用，主要涵盖知识、记忆、工具、创作四个方向，目前已支持使用“系统设置、一方应用、三方服务、代码解释器”等各类工具，并且全面支持文生文、文生图等场景。 3. 文心一言 4.0（百度）：已有 7000 万用户。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。另外在代码、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。能力栈较为广泛，可应用的场景较多，重点推荐在查询搜索知识应用、任务拆解规划 Agent、文案写作以及代码编写及纠错等方面的应用。由于在逻辑推理方面的不俗表现，可以重点关注在科学研究、教育、工业方面的落地能力。

在慢病管理中，大语言模型具有以下应用： 核心概念： LLM（Large language model）：即大语言模型，是当前讨论的主要对象。 Prompt（提示词）：输入给大模型的文本内容，其质量会显著影响回答质量。 Token：大模型语言体系中的最小单元，不同厂商对中文的切分方法不同，通常 1Token 约等于 1 2 个汉字，大模型的收费和输入输出长度限制常以 Token 为单位计量。 上下文（context）：指对话聊天内容前、后的内容信息，其长度和窗口会影响回答质量。 大模型的优势与局限： 优势：大模型像多功能的基础平台，能处理多种任务，应用广泛且有更多通识知识，能在更广泛场景中提供支持和解决问题。 局限：不拥有无限知识，知识来源于有限的训练数据，只能回答训练中见过或类似问题，训练后知识库不会自动更新，在特定或专业领域知识可能不够全面。 运作机制：通过大量数据训练学习语言结构和模式，根据输入生成相应文本，估计序列出现的概率，类似于词语接龙游戏。

以下是关于大语言模型的相关知识： 1. 大模型对于数学计算的解决办法： 引入编程插件：将数学问题转化为编程问题，引入插件处理，编写代码执行计算并返回结果。 教会模型数学法则：教导语言模型数学计算规则，定义计算步骤。 标准化自然数加法计算 prompt 模板：创建标准模板，让模型按规则执行加法计算。 结合图像模型：对于涉及空间概念的数学问题，结合图像模型辅助处理。 提供充足的语料和样本：提供更多数学计算样本和语料，通过训练提高模型计算能力。 2. 大语言模型设置： Temperature：参数值越小，模型返回结果越确定；调高参数值，结果更随机、多样化或具创造性。对于质量保障等任务设低值，诗歌生成等设高值。 Top_p：用于控制模型返回结果的真实性，需要准确答案时调低，想要多样化答案时调高，一般调整其中一个参数。 Max Length：控制大模型生成的 token 数，有助于防止生成冗长或不相关响应并控制成本。 Stop Sequences：指定字符串阻止模型生成 token，控制响应长度和结构。 Frequency Penalty：对下一个生成的 token 进行惩罚，与 token 在响应和提示中出现次数成比例，减少单词重复。 3. RAG 系统开发中的备用模型策略：在使用大语言模型时，可能担心遇到如 OpenAI 模型的访问频率限制错误等问题，此时需要一个或多个备用模型。如 Neutrino 路由器，它是能够处理各种查询的大语言模型集群，利用先进预测模型智能选择适合问题的模型，提升处理效果、节约成本并减少等待时间。LlamaIndex 已通过其 llms 模块中的 Neutrino 类加入对 Neutrino 的支持。

以下为您介绍一些可以根据语言描述对视频进行剪辑的 AI 工具和方法： 1. MMVid：这是一个集成的视频理解系统，由 Microsoft Azure AI 开发，结合了 GPT4V 的能力和其他视觉、音频和语音处理工具。它能处理和理解长视频内容，应用场景包括快速的视频剪辑，您只需输入镜头脚本，即可提取素材库内容进行拼接。其官方网站暂未提及。 2. 制作流程： 小说内容分析：使用 AI 工具（如 ChatGPT）分析小说内容，提取关键场景、角色和情节。 生成角色与场景描述：根据小说内容，使用工具（如 Stable Diffusion 或 Midjourney）生成角色和场景的视觉描述。 图像生成：使用 AI 图像生成工具根据描述创建角色和场景的图像。 视频脚本制作：将提取的关键点和生成的图像组合成视频脚本。 音频制作：利用 AI 配音工具（如 Adobe Firefly）将小说文本转换为语音，添加背景音乐和音效。 视频编辑与合成：使用视频编辑软件（如 Clipfly 或 VEED.IO）将图像、音频和文字合成为视频。 后期处理：对生成的视频进行剪辑、添加特效和转场，以提高视频质量。 审阅与调整：观看生成的视频，根据需要进行调整，比如重新编辑某些场景或调整音频。 输出与分享：完成所有编辑后，输出最终视频，并在所需平台上分享。 3. 声音制作： 对于英文台词，可以使用 11labs（官网：https://elevenlabs.io/）进行对白制作，但可能会遇到 AI 声音没有情绪和情感的问题，需要不断抽卡调试。 国内可以使用出门问问的魔音工坊，它可以使用情绪调节控件。 4. 剪辑工具： 对于 1 3 分钟的短片，可以使用剪映，方便快捷。 对于更长篇幅或追求更好效果的视频，可能需要使用 PR/FCP/达芬奇等传统剪辑软件。 请注意，具体的操作步骤和所需工具可能会根据项目的具体需求和个人偏好有所不同。此外，AI 工具的可用性和功能也可能会随时间而变化，建议直接访问上述提供的工具网址获取最新信息和使用指南。

目前在国内公文写作方面，没有被公认最好的单一 AI 工具。但在论文写作及内容仿写领域，有以下一些常用且有一定优势的 AI 工具： 文献管理和搜索： Zotero：结合 AI 技术，能自动提取文献信息，便于管理和整理参考文献。 Semantic Scholar：由 AI 驱动的学术搜索引擎，提供文献推荐和引用分析。 内容生成和辅助写作： Grammarly：通过 AI 技术进行文本校对、语法修正和写作风格建议，提升语言质量。 Quillbot：基于 AI 的重写和摘要工具，可精简和优化内容。 内容仿写： 秘塔写作猫：https://xiezuocat.com/ 是 AI 写作伴侣，能推敲用语、斟酌文法、改写文风，同步翻译，支持全文改写、一键修改、实时纠错并给出修改建议，智能分析文章属性并打分。 笔灵 AI 写作：https://ibiling.cn/ 是智能写作助手，适用于多种文体写作，支持一键改写/续写/扩写，智能锤炼打磨文字。 腾讯 Effidit 写作：https://effidit.qq.com/ 是由腾讯 AI Lab 开发的智能创作助手，提升写作效率和创作体验。 需要注意的是，使用这些工具时，应结合自身写作风格和需求，选择最合适的辅助工具。同时，内容由 AI 大模型生成，请仔细甄别。

国内在 AI 领域的发展情况较为复杂。在 2023 年之前，国内 AI 行业曾自认为与美国差距不大且有人口数据优势，但 ChatGPT 和 GPT4 的出现打破了这种认知，直接拉开了 2 年的技术差距。上半年国内坚信靠资金和卡能发展，但试验后发现不易，下半年纷纷转向“垂直应用”“商业化”，不提 AGI，这种转向是短视且致命的。目前国内最领先的模型水平大概在准 ChatGPT3.5，与 GPT4 有差距。 国内大厂在人才、GPU、数据和资金储备上有冲击 AGI 的能力，但受内部短期考核压力等影响，实际效果不明显。具体来说，百度的“文心 4.0”和阿里的“通义千问”是比较突出的。同时，智谱一年间推出了 4 代 GLM，MiniMax 推出了新模型和“星野”APP，月之暗面在长 Token 能力上表现不错。 在图像 AI 领域，国内产品发展迅速，如快手团队开发的“可灵”能生成高质量图像和视频，但价格较高；阿里的“通义万相”在中文理解处理方面出色，操作界面友好，且目前免费，但存在一些局限性。 在硬件层，国内仍面临芯片卡脖子问题，目前没有能胜任大模型训练的芯片，在推理上虽有 Nvidia 的替代产品出现，但华为昇腾因稳定性和生态问题还需时间打磨。

以下是一些国内免费的 AIGC 平台： haiper：网址为 https://app.haiper.ai/ 。 PixVerse：网址为 https://pixverse.ai/ ，人少不怎么排队，还有换脸功能。 Leiapix：网址为 https://www.leiapix.com/ ，可以把一张照片转动态。 如果您希望自行部署 AIGC 服务，以下云服务平台可供选择： AWS（亚马逊云服务）：提供多种 AI 服务，如 SageMaker、Rekognition、Polly 等，资源丰富，灵活性强，但费用相对较高，适合需求复杂、要求高可用的企业用户。 Google Cloud Platform：推出 Vertex AI 和多款预训练模型供使用，支持多种编程语言和框架，具有领先的计算机视觉和语音识别能力。 Microsoft Azure：Azure 机器学习服务涵盖多种 AI 工作负载，与微软其他产品融合度高，提供硬件加速等优化方案。 Huawei Cloud：提供 ModelArts 等 AI 开发和推理平台，融合 Ascend AI 处理器实现硬件加速，针对本地化部署和行业应用进行了优化。 阿里云：提供 PAI 和机器学习平台等 AI 产品，支持主流深度学习框架部署，与阿里云其他产品生态集成度高。 AIGC（人工智能生成内容）是一种利用人工智能技术生成各种类型内容的应用方式，能够通过机器学习和深度学习算法，根据输入的数据和指令生成符合特定要求的内容，在内容创作、广告、媒体等领域有着广泛的应用。AIGC、UGC（用户生成内容）和 PGC（专业生成内容）都是内容生成的不同方式，主要区别在于内容的创作者和生成方式。UGC 由用户通过社交媒体等平台发布自己的内容，优势在于内容丰富多样，能反映用户真实想法和创意，适用于社交媒体等互动性强的平台。PGC 由专业人士或机构根据特定标准和流程创作高质量内容，优势在于内容质量高、专业性强，适用于新闻媒体等需要高质量内容的平台。

国内可以解数学题的 AI 有以下几种： 1. 自适应学习系统：如 Khan Academy，结合 AI 技术为用户提供个性化的数学学习路径和练习题，根据能力和需求进行精准推荐。 2. 智能题库和作业辅助：如 Photomath，通过图像识别和数学推理技术为用户提供数学问题的解答和解题步骤。 3. 虚拟教学助手：如 Socratic，利用 AI 技术为用户解答数学问题、提供教学视频和答疑服务，帮助理解和掌握数学知识。 4. 交互式学习平台：如 Wolfram Alpha，利用 AI 技术进行数学建模和问题求解。 此外，还有 Mathly 等应用也能指导学生解决数学问题。