大模型排名

以下是一些生成 3D 模型的工具： 1. Tripo AI：VAST 发布的在线 3D 建模平台，能利用文本或图像在几秒钟内生成高质量且可立即使用的 3D 模型，基于数十亿参数级别的 3D 大模型，实现快速的 2D 到 3D 转换，并提供 AI 驱动的精准度和细节。 2. Meshy：功能全面，支持文本生成 3D、图片生成 3D 以及 AI 材质生成。用户可通过上传图片并描述材质和风格来生成高质量 3D 模型。 3. CSM AI：支持从视频和图像创建 3D 模型，Realtime Sketch to 3D 功能支持通过手绘草图实时设计 3D 形象再转换为 3D 模型，特别适用于游戏领域的模型生成。 4. Sudo AI：支持通过文本和图像生成 3D 模型，适用于游戏领域。 5. VoxCraft：由生数科技推出的免费 3D 模型生成工具，能将图像或文本快速转换成 3D 模型，并提供图像到 3D、文本到 3D 和文本到纹理等多种功能。 此外，还有以下工具： 1. xiaohu.ai 相关的： CSM_ai：文本、图像或草图可转换为 3D 素材，直接应用于游戏中，无需后期处理。体验地址：https://cube.csm.ai Move AI 推出的 Move API：从 2D 视频生成 3D 运动数据，支持多种 3D 文件格式导出，为 AR 应用、游戏开发等提供高质量 3D 运动数据。https://move.ai/api ComfyUI 3D Pack：快速将图片转换为 3D 模型，支持多角度查看，使用 3D 高斯扩散技术提升模型质量，支持多种格式导出，集成先进 3D 处理算法。https://github.com/MrForExample/ComfyUI3DPack/tree/main Medivis 的 SurgicalAR 手术应用：将 2D 医疗图像转化为 3D 互动视觉，提高手术精度，支持 3D 模型的放大、缩小、旋转，精确手术计划。https://t.co/3tUvxB0L4I Media2Face：3D 面部动画创造工具，根据声音生成同步的 3D 面部动画，允许个性化调整情感表达，应用于多种场合。https://sites.google.com/view/media2face SIGNeRF：在 3D 场景中快速生成和编辑对象，新增或替换场景中的物体，新生成场景与原场景无缝融合。https://signerf.jdihlmann.com Luma AI 发布的 Genie 1.0 版本：文本到 3D 模型转换工具，生成详细逼真的 3D 模型，支持多种 3D 文件格式，获得 4300 万美元 B 轮融资。https://lumalabs.ai/genie?view=create BakedAvatar 动态 3D 头像：从视频创建逼真 3D 头部模型，实时渲染和多视角查看，兼容多种设备，交互性编辑。https://buaavrcg.github.io/BakedAvatar/ 这些工具通常具有用户友好的界面，允许用户通过简单操作生成 3D 模型，无需专业 3D 建模技能，可广泛应用于游戏开发、动画制作、3D 打印、视觉艺术等领域。

以下是 Java 程序员从 0 到 1 开发微调模型的步骤和相关信息： 准备工作： 假设您已经按照相关说明准备了训练数据。 使用 OpenAI CLI 进行微调： 1. 明确从哪里 BASE_MODEL 开始的基本模型的名称（如 ada、babbage、curie 或 davinci），您可以使用后缀参数自定义微调模型的名称。 2. 运行相关命令，该命令会执行以下操作： 使用文件 API 上传文件（或使用已经上传的文件）。 创建微调作业。 流式传输事件直到作业完成（这通常需要几分钟，但如果队列中有很多作业或您的数据集很大，则可能需要数小时）。 关于基本模型： 每个微调工作都从一个默认为 curie 的基本模型开始。模型的选择会影响模型的性能和运行微调模型的成本。您的模型可以是 ada、babbage、curie 或 davinci。请访问定价页面了解有关微调费率的详细信息。 微调作业的时间： 开始微调作业后，可能需要一些时间才能完成。在系统中，您的工作可能排在其他工作之后，训练模型可能需要几分钟或几小时，具体取决于模型和数据集的大小。如果事件流因任何原因中断，您可以通过运行特定命令恢复它。工作完成后，它应该显示微调模型的名称。 微调的优势： 1. 比即时设计更高质量的结果。 2. 能够训练比提示中更多的例子。 3. 由于更短的提示而节省了 Token。 4. 更低的延迟请求。 微调的步骤： 1. 准备和上传训练数据。 2. 训练新的微调模型。 3. 使用您的微调模型。 可微调的模型： 微调目前仅适用于以下基础模型：davinci、curie、babbage 和 ada。这些是原始模型，在训练后没有任何说明（例如 textdavinci003）。您还可以继续微调微调模型以添加其他数据，而无需从头开始。 安装建议： 建议使用 OpenAI 命令行界面。要安装这个，运行相关指令（以下说明适用于 0.9.4 及更高版本。此外，OpenAI CLI 需要 python 3）。通过将相关行添加到您的 shell 初始化脚本（例如.bashrc、zshrc 等）或在微调命令之前的命令行中运行它来设置您的环境变量。 此外，还有“大圣：全网最适合小白的 Llama3 部署和微调教程”，其核心代码全部参考如下开源项目： 。该教程有诸多亮点，如教您如何购买算力，手把手教您下载并部署 Llama3 模型，使用甄嬛数据集微调 Llama3 模型等，但不会讲解微调的技术性原理以及文中会用到的 Python 代码，且需要您充值 50 块钱购买算力的预充值。

以下是关于 flux lora 调参数以获得一致性、还原性和泛化性较好的人物模型的指导： 打标环节： 选择基础大模型，如“麦橘写实”，并为 lora 命名。 将照片导入，选择合适分辨率，可勾选“脸部加强训练”，然后进行预处理。手动裁剪图片比自动裁剪更可靠。 预处理后会出现脸部和整体文件夹，且每张照片自动打好 tag 标签。 可为整体添加统一标签，也可单独修改每张图片的标签。标签有助于 AI 理解图片，描述越详细，人物变化可能越多，泛化性可能越好。仔细检查每张图片的标签，其质量会影响人物 lora 的泛化性。 参数调整环节： 大部分参数是固定的，主要的几个按照人物参数配置一遍。后期根据生成结果再调整。 炼丹环节： 例如 18 张脸部图片，20 张整体图片，各训练 50 步，循环训练 10 次，并行步数为 1。训练总步数和时长会有所不同，loss 值可作为参考，但最终效果仍需通过测试判断。 此外，在 Lora 串联方面，多个 Lora 串联时左右顺序不影响结果，可复制并点对点连接。CLIP 层 1 和 2 的效果不同，加 Lora 时某些 Lora 可能更适合 2。Lora 可用于生成底模无法画出的内容。在运行中点击取消可打断正在渲染跑的图。图像放大可通过 up scale image using model 节点，选择放大模型，用 resize 节点调整尺寸，再用编码器和采样器处理。放大模型直接放大的图像效果不佳，需再次采样增加细节。添加飞桨缺失节点可通过拖入工作流查看标红节点，从管理器安装或从 GitHub 获取节点包放入文件管理系统。采样器和调度器参数设置建议参考模型作者推荐，并结合自己调试。Web UI 中 Lora 库有刷新按钮，将 Lora 丢到文件夹后多点几次刷新即可。

接入大模型的方法如下： 1. 阿里云百炼模型： 注册阿里云账号：如果没有阿里云账号，您需要先。 开通百炼：前往，若页面顶部显示相关消息，需开通百炼的模型服务以获得免费额度。 获取 API Key：在控制台的右上角选择 APIKEY，然后创建 API Key，用于通过 API 调用大模型。 2. 千问模型： 百炼首页：https://bailian.console.aliyun.com/ 当在 COW 中直接调用千问的某一个大模型时，只需要更改 key 和 model 即可。以调用“qwenmax”模型为例，在/root/chatgptonwechat/文件夹下，打开 config.json 文件，需要更改"model"，和添加"dashscope_api_key"。获取 key 的视频教程：，或查看自己是否已认证。 3. silicon 模型： 官方提供的接入 API 的教学文档：以平时使用的 silicon 接口为例，有众多开源模型（Yi、Qwen、Llama、Gemma 等）免费使用。另赠送 14 元体验金，有效期未知，是个人认为 API 接口最方便最实惠的接口了。 silicon 注册和使用地址：邀请码：ESTKPm3J（谢谢支持）注册登录后，单击左边栏的 API 密钥，单击新建 API 密钥，单击密钥即可完成 API 密钥的复制。silicon 支持多种大模型，也支持文生图、图生图、文生视频，可自行探索。这一步得到 silicon 的密钥即可，我们可以调用千问 2.5 的这个模型，满足日常对话完全没有问题，并且是免费调用的。 进入 github 复制 migpt 项目：打开官方仓库：https://github.com/idootop/migpt，Fork 项目到自己的账号。单击 Fork，单击右下角 Create fork，这样就已经把该项目 fork 到自己的仓库中了。找自己仓库项目的方法：进入主页，单击左上角的"三"，单击 home，就可以看到刚才 fork 过来的 migpt 项目了，单击可进入项目页面。复制仓库地址：先确认是否在自己的仓库项目页面，再单击绿色的“code”按钮，再点击地址栏的复制按钮。

模型的稀疏性是指在模型中，存在大部分元素为零或接近零，只有少数元素包含重要信息的情况。在机器学习和深度学习中较为常见，例如在自然语言处理（NLP）中，嵌入层将词汇映射到高维空间，每次训练只更新一小部分词向量，导致梯度在大部分维度上为零；推荐系统中的用户物品交互矩阵等输入数据本身就是稀疏的；使用 ReLU 激活函数也可能导致稀疏梯度，因其会把所有负值输入设置为 0。 在大语言模型中，如论文提出的 QSparse 方法，通过对模型的激活值进行“稀疏化”，即只保留最重要的一部分激活值，其他置为零，可大大减少计算量和内存使用，且几乎不影响模型性能。 对于优化器，如 Adam 优化器，它对于稀疏梯度特别有效，结合了 Momentum 和自适应学习率，能捕捉稀疏信号并避免学习率过快下降，在处理稀疏数据场景如 NLP 和一些稀疏特征的机器学习任务中表现优异，但算力消耗比 SGD 高，默认参数通常能取得不错效果，特殊情况仍需调整超参数。

目前国内外大模型的发展情况如下： 国内外差距依然明显，GPT 4 Turbo 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，与 GPT 4Turbo 有 11.61 分差距，与 GPT 4（网页）有 4.9 分差距。但过去 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，如百度的文心一言 4.0、阿里云的通义千问 2.0 等。 在 SuperCLUE 测评中，国外模型平均成绩为 69.42 分，国内模型平均成绩为 65.95 分，差距在 4 分左右，不过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 等。 在语言与知识的测评中，GPT4 Turbo 依然领先，是唯一超过 90 分的大模型。国内大模型也表现相对较好，OPPO 的 AndesGPT、阿里云的通义千问 2.0 等较为接近 GPT4。 国内大模型在中文语言与知识能力上已基本追赶上国外头部大模型。 此外，新用户可在阿里、腾讯官网获取免费试用服务器，如腾讯云的轻量应用服务器、阿里云的服务器 ECS，服务器系统配置选择宝塔系统。免费大模型接口方面，国内有阿里的通义千问大模型、智谱 AI（ChatGLM）、科大讯飞（SparkDesk）等，均有限制一定免费额度的 Token。国外有谷歌的 Gemini 大模型、海外版 Coze 的 GPT4 模型，免费且能图片识别，但需要给服务器挂梯子，具体操作可参考相关教程。

在分析的前 50 名人工智能工具的地理行为方面，中国排名第 47 位。 在 AI 领域，中国的模型正在崛起，无视制裁，凭借坚韧和战略智慧在“牌桌”之上。 此外，国内也有众多的 AI 相关产品，如美图公司的开拍、美图设计室，贝因科技的妙笔工坊，惊叹科技的 TalkAI 练口语，秘塔网络的秘塔 AI 搜索，小冰公司的 X Eva，作业帮的快问 AI，有零科技的我在 AI 等。

以下是基于 2022 年 9 月至 2023 年 8 月访问量的 10 个最佳人工智能工具排名： 1. ChatGPT：访问量达 146 亿次，在美国的使用率最高，其次是印度和巴西。大多数受众通过移动设备访问，性别分布偏向男性用户，占 74.16%，每次会话的平均参与时间接近 10 分钟。 2. Character AI：访问量达 38 亿次，属于人工智能聊天机器人类别，用户每次会话平均花费近 30 分钟，95%的受众更喜欢移动访问，性别分布中男性用户占 59.87%，女性用户占 40.13%，美国的使用量领先，印度尼西亚和菲律宾紧随其后。 3. QuillBot：访问量达 11 亿次，在 AI 写作领域表现出色，用户平均每次会话互动时长为 20 分 54 秒，桌面流量领先，高达 54%，性别统计中男性用户占 59.85%，女性用户占 40.15%，菲律宾的使用率领先，美国和印度紧随其后。 4. Midjourney 5. Hugging Face 6. Google Bard 7. NovelAI 8. CapCut 9. JanitorAI 10. Civitai 在 2022 年 9 月至 2023 年 8 月期间，排名前 50 的人工智能工具吸引了超过 240 亿次访问。ChatGPT 以 140 亿次访问量领先，占分析流量的 60%以上。过去一年，人工智能行业平均每月访问量为 20 亿次，过去 6 个月激增至 33 亿次。分析的 50 个人工智能工具经历了 10.7 倍的增长率，平均每月访问量增加 2.363 亿次。ChatGPT、Character AI 和 Google Bard 的净流量分别增长了 18 亿次、4.634 亿次和 6800 万次访问量。Craiyon、MidJourney 和 Quillbot 在此期间面临最大的流量下降。美国贡献了 55 亿人次访问量，占总访问量的 22.62%，而欧洲国家合计贡献了 39 亿人次访问量。AI 聊天机器人工具最受欢迎，访问量达到 191 亿次。超过 63%的 AI 工具用户通过移动设备访问。性别数据揭示了一种差异：69.5%是男性用户，而 30.5%是女性用户。

以下是为您推荐的几款热度较高的记笔记 AI 工具： 1. 讯飞听见会议总结功能：能够自动总结会议发言内容。 2. AI Diary：采用人工智能技术为用户提供更加深入的反思和个人成长体验，可进行真实对话，进行情绪和写作分析，并为用户生成日记摘要和人工智能生成诗歌。 3. Descript：多功能工具，可帮助用户进行写作、录制、转录、编辑、协作和分享视频和播客，具有高精度和速度的转录和更正工具，能够快速创建社交媒体平台所需的视频剪辑和字幕等。 4. ResearchAIde：适用于学生、研究人员和商业专业人士，能够快速高效地从研究论文中提取并综合相关信息，可快速找到需要的信息，无需阅读整篇研究论文，还能整理研究并轻松浏览多篇论文，同时提供强大的数据提取能力。 5. Audio Pen：可以记录和总结用户想法的个人助手应用，不但录下声音，还会直接转成文字，并用类似 ChatGPT 的摘要功能，把它们全都整理成清晰的文字。

以下是一些 AI 产品的排名情况： 在 100 个 AI 应用 120 的排名中： 1 号：Grammarly、秘塔写作猫，主题为 AI 智能写作助手，使用自然语言处理技术，市场规模达数十亿美元，能利用 AI 技术辅助用户进行高质量写作。 2 号：淘宝拍照搜商品，主题为 AI 图像识别商品推荐，使用图像识别、机器学习技术，市场规模达数百亿美元，通过图像识别为用户推荐相似商品。 3 号：小爱同学、Siri，主题为 AI 语音助手定制开发，使用语音识别、自然语言理解技术，市场规模在百亿美元以上，为不同需求定制专属语音助手。 4 号：Keep 智能训练计划，主题为 AI 个性化健身计划制定，使用数据分析、机器学习技术，市场规模达数十亿美元，根据用户数据制定个性化健身方案。 5 号：大众点评智能推荐，主题为 AI 美食推荐平台，使用数据挖掘、自然语言处理技术，市场规模达百亿美元规模，基于用户口味偏好推荐美食。 6 号：阿里小蜜等电商客服，主题为 AI 智能客服外包服务，使用自然语言处理、机器学习技术，市场规模达数十亿美元，为企业提供智能客服解决方案。 在 100 个 AI 应用 6180 的排名中： 64 号：联想设备管理平台，主题为 AI 办公设备管理系统，使用数据分析、物联网技术，市场规模为数亿美元，管理办公设备，提高设备利用率。 65 号：新氧 APP，主题为 AI 美容护肤机构推荐平台，使用数据分析、自然语言处理技术，市场规模为数亿美元，为用户推荐优质的美容护肤机构。 66 号：大众点评亲子频道，主题为 AI 儿童教育机构推荐平台，使用数据分析、自然语言处理技术，市场规模为数亿美元，为家长推荐优质的儿童教育机构。 67 号：汽车之家车商城，主题为 AI 汽车销售平台，使用数据分析、自然语言处理技术，市场规模达数十亿美元，为消费者提供汽车购买渠道。 在全球 AI APP 增长榜虚拟角色的排名中： 1 号：Character AI，6 月 APP 下载量 2555，相对 5 月变化 0.62。 2 号：Linky，6 月 APP 下载量 2040，相对 5 月变化 0.566。 3 号：Talkie，6 月 APP 下载量 1934，相对 5 月变化 0.458。 4 号：星野，6 月 APP 下载量 1934，相对 5 月变化 0.458。 5 号：Poly.AI，6 月 APP 下载量 1193，相对 5 月变化 0.173。 6 号：Akinator，6 月 APP 下载量 709，相对 5 月变化 0.2。 7 号：Chai，6 月 APP 下载量 508，相对 5 月变化 0.218。 8 号：MeChat，6 月 APP 下载量 326，相对 5 月变化 0.006。 9 号：Bible Chat，6 月 APP 下载量 319，相对 5 月变化 0.012。 10 号：Paradot，6 月 APP 下载量 286，相对 5 月变化 0.208。 11 号：AI ChatBot:Smart Assistant，6 月 APP 下载量 278，相对 5 月变化 0.576。 12 号：HiWaifu，6 月 APP 下载量 197，相对 5 月变化 0.255。 13 号：EVA AI Chat & Clever Chatbot，6 月 APP 下载量 189，相对 5 月变化 0.26。 14 号：Museland，6 月 APP 下载量 172，相对 5 月变化 0.162。 15 号：Replika，6 月 APP 下载量 164，相对 5 月变化 0.132。 16 号：Genesia AI，6 月 APP 下载量 161，相对 5 月变化 0.487。 17 号：SpicyChat AI:Roleplay Chat，6 月 APP 下载量 92，相对 5 月变化 0.022。

以下是中国国产 AI 工具在各方面能力的一些情况： 大模型方面： 智谱清言：在工具使用排名国内第一，在计算、逻辑推理、传统安全能力上排名国内前三。更擅长专业能力，但在代码能力上还有优化空间，知识百科方面稍显不足。可应用场景广泛，适合在 AI 智能体、较复杂推理、广告文案、文学写作等方面。 图像类产品方面： 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，重度用户年费可能达几千元，轻度用户有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，图像质量高、操作界面友好，能与阿里其他产品和服务整合，目前免费但存在一定局限性，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。

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。