本地用Ollama部署模型，使用哪个ChatBox客户端好？

在电脑上使用 Chat Box 框架，通过 Ollama 搭建 DeepSeek 模型的步骤如下： 1. 阿里云百炼平台： 百炼平台的模型广场有各种模型，包括音频理解、视频理解等，通义的一些强模型也在其中。 百炼平台无需部署，可直接使用 DeepSeek R1 模型。 DeepSeek R1 模型的价格与各大平台差不多，有大量免费额度，如 100 万 token，不同版本的模型如 7B、14B、32B 等也送了 100 万 token，LLAVA 限时免费。 使用 DeepSeek R1 模型需要解锁和授权，没有授权按钮的需要对阿里云进行实名认证，可通过支付宝扫码或在右上角头像处进行，共学群里有相关指引。 在首页体验模型页面可对比不同模型的效果，如 V3 和 R1，R1 会先思考，速度较快。 多模态可以识别更多输入信息，如读文件、图片等，而 DeepSeek R1 本身不是多模态模型。 通过模型广场的 API 调用示例获取链接，截断后粘贴到 Chat Box 的设置中，添加自定义提供方，设置模型名称为 DeepSeek R1，并获取 API key。 API key 可删除旧的并重新创建，方便本地软件连接。 2. Docker + RAGFlow + Ollama 搭建： 返回 RAGFlow 中，打开右上角设置，进入模型提供商。 选择 Ollama，配置相关信息，模型取决于运行的模型。 配置基础 URL。 导入一个 embedding 模型，用于文本向量化。 设置系统模型设置。 进入数据集，导入文件，可设置文件夹当作知识库。 对文件进行解析，解析速度取决于本机 GPU 性能。 解析好之后，进入检索测试。 测试没问题，可进入聊天界面，助理设置可自行设置。 对于开源模型，如 DeepSeek、Llama 等，可以使用以下方式： 1. Inference Provider：使用 Together AI 等推理服务提供商，在线体验和调用各种开源模型。 2. LM Studio：使用 LM Studio 等本地应用程序，在个人电脑上运行和部署较小的开源模型。

以下是关于 Chatbox 和 Github 热门提示词框架扩展的相关内容： Chatbox 的 Apply 应用： 在我们的中可阅读更多关于如何构建即时申请的信息。 Cursor 的 Apply 允许您将聊天中的代码块建议快速集成到您的代码中。要应用代码块建议，可按每个聊天代码块右上角的播放按钮。由于在 Chat 中可以添加最多的上下文并与模型进行最多的来回交流，因此建议使用 Chat+Apply 进行更复杂的 AI 驱动的代码更改。 应用代码块后，您可以浏览差异并接受或拒绝更改。您也可以点击聊天代码块右上角的“接受”或“拒绝”按钮。Ctrl/⌘Enter 键接受，Ctrl/⌘Backspace 键拒绝。 大雨：Github 热门提示词框架扩展： 缘起：结构化的提示词能让交流更顺畅并易得到想要的结果，但框架多且记不住、查找负担大，所以想到用浏览器插件辅助解决。 效果展示：在 GPT 的聊天对话框中会出现小对话框，通过下拉框选择框架、填写内容并发送。好处是降低了使用框架的难度。 安装步骤：先安装 tampmonkey，新建空白脚本并粘贴代码。 使用说明：其逻辑是通过动态加载 github 上的 json 文件创建页面，json 文件是框架的字段。后续可不断加 json 文件，代码开源，可在 github 上 fork 并修改 frameworks 内容。更全面的框架应用可参考。

Chatbox 是一种能够让用户进行交流和获取信息的工具。它具有多种功能和应用场景，例如： 在 OpenAI 中，ChatGPT 作为一款消费级产品，用户可以通过输入提示信息利用其丰富的知识源进行对话，获取各种回答，包括总结书籍内容、撰写文案等，但它也可能存在捏造事实的情况。 生成式 AI Studio 中，创建聊天提示可以与模型进行自由形式的聊天，模型会根据之前的内容和提供的上下文做出响应。同时，Prompt Gallery 能让用户探索生成式 AI 模型在各种用例中的应用。 Cursor Chat 允许用户在编辑器中使用强大的语言模型提出问题或解决代码库中的问题，它具有多项内置功能来提供上下文，默认位于 AI 窗格中，可通过特定按键切换和提交查询。

很抱歉，目前知识库中没有关于如何搭建 chatbox 敏感词库的相关内容。但一般来说，搭建 chatbox 敏感词库可以考虑以下步骤： 1. 明确敏感词的范畴和类型，例如涉及政治、色情、暴力、辱骂等方面的词汇。 2. 收集相关的敏感词汇，可以通过参考行业标准、法律法规、用户反馈以及其他类似平台的经验。 3. 对收集到的敏感词进行分类和整理，以便于管理和更新。 4. 利用合适的技术和工具，将敏感词库集成到 chatbox 的系统中，实现实时检测和处理。 5. 定期更新和维护敏感词库，以适应不断变化的语言环境和用户需求。 以上是一个大致的搭建思路，具体的实施还需要根据您的实际情况和技术条件进行调整和优化。

以下是关于如何搭建 AI 聊天框的一些指导： 1. 纯 GPT 大模型能力的微信聊天机器人搭建 配置腾讯云轻量应用服务器。 假设要对接的微信号名称叫安仔机器人，更新最终版的配置参数（GROUP_NAME_WHITE_LIST 参数记得根据要交互的群组进行具体修改），查看无误后点击保存，创建编排模板。 切换到容器编排界面，基于创建的模板进行 COW 服务部署，点击添加后等待部署成功。 2. 利用大型语言模型打造聊天机器人 ChatGPT 是具有交互式聊天界面的 Web 应用，可利用大型语言模型构建自定义聊天机器人，如为餐厅扮演 AI 客户服务代理或 AI 点餐员等角色。 设置 OpenAI Python 包，定义两个辅助函数：getCompletion 函数和 generateResponse 函数。通过这两个函数与 AIGPT 模型进行交互并生成对话。 3. Cursor Chat 概述 Cursor Chat 允许在编辑器中使用强大的语言模型在代码库中提问或解决问题。 语言模型要给出好答案需要知道与代码库相关的特定事物即上下文，Cursor 具有多项内置功能提供上下文，如自动包含整个代码库中的上下文、搜索 Web、索引文档和用户指定的代码块引用等。 默认情况下，Cursor Chat 位于 AI 窗格，可通过按 Ctrl/⌘ + L 切换，打开时按 Enter 提交查询。

Ollama 是一个开源的框架，具有以下特点和功能： 1. 旨在简化在本地运行大型语言模型（LLM）的过程，提供了简单的 API 来创建、运行和管理模型，还有预构建模型库，降低使用门槛，适合初学者或非技术人员使用。 2. 支持多种大型语言模型，如通义千问、Llama 2、Mistral 和 Gemma 等，可用于不同应用场景。 3. 易于使用，适用于 macOS、Windows 和 Linux 系统，同时支持 CPU 和 GPU。 4. 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。 5. 支持用户自定义模型，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。 6. 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。 7. 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。 安装 Ollama 可通过官方下载地址 https://ollama.com/download 进行。安装完成后，可通过访问相关链接判断是否安装成功，在命令行中运行相应命令即可使用，如运行本地大模型的命令。还可通过 ollama list 确认模型下载情况。 此外，在 termux 软件中进行相关操作时，需执行如 aptget update、安装 curl 命令、安装 ollama 命令等。启动模型时，以 phi3 模型为例，在 termux 软件中执行命令 ollama run phi3 并等待下载完成。当然，Ollama 还有很多其他模型，如有需要可在 ollama 官网自行查看命令与下载。

以下是本地部署 ollama + deep seek 后有效搭建机械领域知识库或微调为机械领域的步骤： 1. 下载 Ollama 程序：官方网址为 https://ollama.com/ 。默认下载到 C 盘，若想修改安装目录到 D 盘，后续会有相关说明。下载完成后，右下角会出现 Ollama 的图标，打开命令行输入相应命令回车。根据自身独立显卡性能选择模型，如英伟达 2060Super 可选择 Deepseekr1:14b 的模型。若下载速度慢，可按 Ctrl+C 强制退出重新下载。下载完毕后，再下载一个嵌入模型，Ollama 的 bge 模型官方网址：https://ollama.com/library/bgem3 ，输入相应命令，下载好后直接退出终端。 2. 配置模型：返回 RAGFlow 中，打开右上角设置，进入模型提供商进行配置。选择 Ollama，并配置相关信息，基础 URL 按要求设置，设置完成后点击确定。 3. 导入嵌入模型：导入一个嵌入模型用于文本向量化。 4. 设置系统模型：完成相关设置。 5. 创建知识库：返回知识库，进入数据集，可导入文件或设置文件夹当作知识库，自行设置。导入完毕后，对文件进行解析，解析速度取决于本机 GPU 性能，越好的显卡解析越快。解析完成后，进行检索测试，测试没问题即可进入聊天界面，助理设置可自行设置。

很抱歉，目前没有关于在 Windows 上安装 ollamadeepresearcher 的完整教程。建议您通过以下途径获取相关信息： 1. 官方网站：访问 ollamadeepresearcher 的官方网站，查找针对 Windows 系统的安装指南。 2. 相关技术论坛：在专业的技术论坛上搜索相关主题，可能会有其他用户分享的安装经验和教程。 3. 视频平台：部分视频平台上可能有关于此软件在 Windows 上安装的演示视频。

Ollama 是一个开源的框架，旨在简化在本地运行大型语言模型（LLM）的过程。 它具有以下特点和优势： 1. 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。 2. 易于使用：适用于 macOS、Windows 和 Linux 系统，支持 CPU 和 GPU，能让用户轻松在本地环境中启动和运行大模型。 3. 模型库：提供丰富的模型库，用户可从中下载不同参数和大小的模型以满足不同需求和硬件条件，通过 https://ollama.com/library 查找。 4. 自定义模型：用户能通过简单步骤自定义模型，如修改温度参数调整创造性和连贯性，或设置特定系统消息。 5. API 和集成：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。 6. 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。 总的来说，Ollama 是一个高效、功能齐全的大模型服务工具，不仅适用于自然语言处理研究和产品开发，也适合初学者或非技术人员使用，特别是那些希望在本地与大型语言模型交互的用户。 其使用场景包括但不限于： 1. 自然语言处理研究。 2. 产品开发。 安装方法：官方下载地址为 https://ollama.com/download 。安装完成后，在 macOS 上启动 ollama 应用程序，在 Linux 上通过 ollama serve 启动，可通过 ollama list 确认是否安装成功。运行大模型时，在命令行中输入相应命令即可，模型会自动下载到本地。在 Python 程序中使用时，需确保 ollama 服务已开启并下载好模型。

以下是关于 Ollama 的相关信息： 在电脑上运行本地大模型的相对简化模式： 步骤： 1. 打开 Ollama 官网 https://ollama.com，下载应用并安装。 2. 在 Mac 系统搜索 terminal 或终端，点击回车，弹出的简洁框框就是。输入想要运行的大模型（例如：ollama run llama2），并回车。等待下载完成，即可输入内容，和 llama2 愉快交流。 TagTool With Ollama 打标工具： 先去下载并安装 Ollama，然后打开 Powershell 运行相关命令。 Win 编辑 run_win.ps1 文件，Mac 编辑 run_mac.sh 文件，将目录中的图片路径和触发词填写，运行即可。 从 LLM 大语言模型、知识库到微信机器人的全本地部署教程中的 Ollama 部署： 步骤： 1. 点击进入，根据电脑系统，在 https://ollama.com/download 下载 Ollama。 2. 下载完成后，双击打开，点击“Install”。 3. 安装完成后，将下方地址复制进浏览器中。如果出现下方字样，表示安装完成：http://127.0.0.1:11434/ 。 4. 下载 qwen2:0.5b 模型（0.5b 是为了方便测试，下载快，自己设备充足的话，可以下载更大的模型）。 5. 对于 Windows 电脑，点击 win+R，输入 cmd，点击回车；对于 Mac 电脑，按下 Command（⌘）+Space 键打开 Spotlight 搜索，输入“Terminal”或“终端”，然后从搜索结果中选择“终端”应用程序。复制相关命令行，粘贴进入，点击回车。等待下载完成即可。

以下是一些适合客户端使用的 ASR 模型： 1. Ollama： 支持多种大型语言模型，如通义千问、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参数和大小的模型以满足不同需求和硬件条件，可通过 https://ollama.com/library 查找。 支持用户自定义模型，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。 2. FishAudio 的 Fish Agent： 集成了自动语音识别（ASR）和文本到语音（TTS）技术，无需传统的语义编码器/解码器，即可实现语音到语音的直接转换。 模型经过 700,000 小时的多语言音频内容训练，支持包括英语、中文在内的多种语言，能够精准捕捉和生成环境音频信息。文本方面由 Qwen2.53B 处理。 相关链接： https://huggingface.co/fishaudio/fishagentv0.13b https://github.com/fishaudio/fishspeech 3. Gemini： Gemini Nano1 和 Gemini Pro 模型在各种 Benchmark 上的自动语音识别（ASR）任务中表现出色，如在 FLEURS、多语言 Librispeech 以及语音翻译任务 CoVoST 2 等测试集中。 相关链接：未提及。

以下是一些适合客户端使用的 TTS 模型： 1. Fish Speech：语音处理接近人类水平，约十五万小时三语数据，对中文支持完美。开发者为 fishaudio，具有亿级参数，高效轻量，可在个人设备上运行和微调，适合作为私人语音助手。详细介绍及更多演示：https://xiaohu.ai/p/10779 ，GitHub：https://github.com/fishaudio/fishspeech 。 2. GPTSoVITS：只需 1 分钟语音即可训练一个自己的 TTS 模型，是一个声音克隆和文本到语音转换的开源 Python RAG 框架。5 秒数据就能模仿，1 分钟的声音数据就能训练出高质量的 TTS 模型，完美克隆声音。支持零样本 TTS、少量样本训练、跨语言支持、易于使用的界面等。GitHub： 。

Trae 的 Builder 模式相关信息如下： Trae 提供了两种模式，其中 Builder 模式可以帮助从 0 开发一个完整的项目，对代码文件的任何更改都会自动保存。 使用 Builder 模式的步骤： 在电脑上新建一个文件夹，文件夹名字可自定义，如“helloworld”。 使用 Trae 打开这个文件夹，在弹出的弹层里选中新建的文件夹。 点击右上角的“Builder”按钮切换到 Builder 模式。 在 Builder 模式下的使用案例，如生成一个贪吃蛇游戏：打开 Builder 模式，直接输入“使用 web 技术栈生成一个贪吃蛇游戏”，排队完成后，Trae 开始思考和代码编写过程，期间需要手动接入进行文件审查，在提示中点击“全部接受”。代码生成完成之后，Trae 自动运行命令启动页面，点击运行，在 Webview 中即可看到实现的游戏效果。 如果您在使用 Trae 的 Builder 模式时出现“客户端异常，请稍后再试”的提示，建议您稍后再尝试操作，或者检查网络连接等是否正常。

X 公司的 Grok 有客户端。它提供免费图像生成和聊天功能，效果优异。下载链接为：

Mac 有 Chat GPT 客户端，以下是相关信息： 下载地址： persistent.oaistatic.com/sidekick/public/ChatGPT_Desktop_public_latest.dmg 或者：https://waytoagi.feishu.cn/file/I58PbrukKoXYdVxEF0EcY9SXnBf 下载不了可以用百度云链接：https://pan.baidu.com/s/1jFZ5uBClqP0T1IOKQLW5HQ?pwd=hmbe 提取码：hmbe 或者：https://persistenNt.oaistatic.com/sidekick/public/ChatGPT_Desktop_public_latest.dmg 使用条件： 需要苹果芯片的 mac。 内测用户（非内测用户使用指南： ）。 macOS 12.6.8 M1 芯片不兼容，系统版本 MacOS 14 及以上。 提前下载使用 ChatGPT Mac 桌面客户端的办法（需要有 ChatGPT 付费账号，以及网络技术基础）： 以 ProxyMan 为例： 登录一次以触发 API 调用。 对 ChatGPT 的 App 启用 SSL 代理（需要配置好 ProxyMan 证书）。 再登录一次以触发 API 调用。 然后右键点击 ab.chatgpt.com/v1/initialize 选择本地映射，并将所有的 false 替换为 true。 再尝试一次，你就应该能顺利登录了。 详细版图文教程：

以下是一些大语言模型能力排行榜的相关信息： Open LLM Leaderboard： 地址： 简介：由HuggingFace组织的一个LLM评测榜单，目前已评估了较多主流的开源LLM模型。评估主要包括AI2 Reasoning Challenge、HellaSwag、MMLU、TruthfulQA四个数据集上的表现，主要以英文为主。 chinesellmbenchmark： 地址： 简介：中文大模型能力评测榜单，覆盖百度文心一言、chatgpt、阿里通义千问、讯飞星火、belle/chatglm6b等开源大模型，多维度能力评测。不仅提供能力评分排行榜，也提供所有模型的原始输出结果。 聊天机器人竞技场：由伯克利的一个团队管理，根据ELO评级对不同的语言模型进行排名，计算ELO的方式与国际象棋中的计算方式非常相似。 智源评测：豆包模型在其中表现出色，荣获大语言模型第一，视觉理解第二、文生图第二、文生视频第二，在匿名投票竞技场中排名第二，仅次于OpenAI。 地址：

AI 可以分为以下几个层面： 1. 概念层面： AI 即人工智能。 生成式 AI 生成的内容称为 AIGC。 2. 学习方式层面： 机器学习，包括监督学习（有标签的训练数据，算法目标是学习输入和输出之间的映射关系，包括分类和回归）、无监督学习（学习的数据没有标签，算法自主发现规律，经典任务如聚类）、强化学习（从反馈里学习，最大化奖励或最小化损失，类似训小狗）。 3. 技术方法层面： 深度学习，参照人脑有神经网络和神经元（因有很多层所以叫深度），神经网络可用于监督学习、无监督学习、强化学习。 生成式 AI 可以生成文本、图片、音频、视频等内容形式。 LLM 即大语言模型，对于生成式 AI，生成图像的扩散模型不是大语言模型；对于大语言模型，生成只是其中一个处理任务，如谷歌的 BERT 模型可用于语义理解（不擅长文本生成），像上下文理解、情感分析、文本分类。 4. 技术里程碑层面：2017 年 6 月，谷歌团队发表论文《Attention is All You Need》，首次提出了 Transformer 模型，它完全基于自注意力机制（SelfAttention）来处理序列数据，无需依赖循环神经网络（RNN）或卷积神经网络（CNN）。

利用 AI 大模型撰写政研文章可以参考以下方法： 一、了解大模型的热门应用场景 大模型因其强大的语言理解和生成能力，在多个领域有出色表现，以下是一些热门应用场景： 1. 文本生成和内容创作：可用于撰写文章、生成新闻报道、创作诗歌和故事等。 2. 聊天机器人和虚拟助手：能开发与人类自然对话的工具，提供客户服务、日常任务提醒和信息咨询等服务。 3. 编程和代码辅助：实现代码自动补全、bug 修复和代码解释，提高编程效率。 4. 翻译和跨语言通信：理解和翻译多种语言，促进不同语言背景用户的沟通和信息共享。 5. 情感分析和意见挖掘：分析社交媒体、评论和反馈中的文本，识别用户情感和观点，为市场研究和产品改进提供数据支持。 6. 教育和学习辅助：创建个性化学习材料、自动回答学生问题和提供语言学习支持。 7. 图像和视频生成：如 DALLE 等模型可根据文本描述生成相应图像，未来可能扩展到视频内容生成。 8. 游戏开发和互动体验：用于创建游戏角色对话、故事情节生成和增强玩家沉浸式体验。 9. 医疗和健康咨询：理解和回答医疗相关问题，提供初步健康建议和医疗信息查询服务。 10. 法律和合规咨询：帮助解读法律文件，提供合规建议，降低法律服务门槛。 需要注意的是，随着技术进步和模型优化，大模型未来可能拓展到更多领域，同时也要注意其在隐私、安全和伦理方面的挑战。 二、利用 AI 辅助写作政研文章的步骤和建议 1. 确定课题主题：明确研究兴趣和目标，选择具有研究价值和创新性的主题。 2. 收集背景资料：使用 AI 工具如学术搜索引擎和文献管理软件搜集相关研究文献和资料。 3. 分析和总结信息：利用 AI 文本分析工具提取关键信息和主要观点。 4. 生成大纲：使用 AI 写作助手生成政研文章的大纲，包括引言、文献综述、方法论、结果和讨论等部分。 5. 撰写文献综述：借助 AI 工具确保内容准确完整。 6. 构建方法论：根据研究需求，利用 AI 建议的方法和技术设计研究方法。 7. 数据分析：若涉及数据收集和分析，使用 AI 数据分析工具处理和解释数据。 8. 撰写和编辑：利用 AI 写作工具撰写文章各部分，并检查语法和风格。 9. 生成参考文献：使用 AI 文献管理工具生成正确的参考文献格式。 10. 审阅和修改：利用 AI 审阅工具检查文章的逻辑性和一致性，并根据反馈修改。 11. 提交前的检查：使用 AI 抄袭检测工具确保文章的原创性，并进行最后的格式调整。 请记住，AI 工具只是辅助，不能完全替代研究者的专业判断和创造性思维。在使用时应保持批判性思维，确保研究质量和学术诚信。 三、Flowith 模型的优势 Flowith 模型具有以下优势： 1. 充分利用已有知识：可快速检索高质量的“存量知识”，将分散内容重新提炼、整合并利用，避免重复劳动。 2. 提高回答的准确性和完整度：基于检索与引用的方法，通过引用已有文章的论证、数据或实例，为回答提供更扎实依据，使观点更系统、逻辑更完整。 3. 节省时间，提升效率：面临类似或相关问题时，无需从头构思或反复写作，AI 大模型利用已有输出内容提供启发，减少精神内耗，避免拖延。 4. 方便追溯与验证：所有信息来自已发布文章，读者可查看完整上下文，保证回答的透明度和可信度，也为已发布文章提供二次曝光机会。

图像识别模型通常包括编码器和解码器部分。以创建图像描述模型为例： 编码器：如使用 inception resnet V2 应用于图像数据，且大部分情况下会冻结此 CNN 的大部分部分，因为其骨干通常是预训练的，例如通过庞大的数据集如图像网络数据集进行预训练。若想再次微调训练也是可行的，但有时仅需保留预训练的权重。 解码器：较为复杂，包含很多关于注意力层的说明，还包括嵌入层、GRU 层、注意力层、添加层归一化层和最终的密集层等。 在定义好解码器和编码器后，创建最终的 TF Keras 模型并定义输入和输出。模型输入通常包括图像输入进入编码器，文字输入进入解码器，输出则为解码器输出。在运行训练前，还需定义损失功能。 另外，还有一些相关模型的安装配置，如 siglipso400mpatch14384（视觉模型），由 Google 开发，负责理解和编码图像内容，其工作流程包括接收输入图像、分析图像的视觉内容并将其编码成特征向量。image_adapter.pt（适配器）连接视觉模型和语言模型，优化数据转换。MetaLlama3.18Bbnb4bit（语言模型）负责生成文本描述。

目前，AI 大模型的训练成本较高。在数据、算力、算法三要素中，算力是基础也是大模型竞争力，但国产芯片在软件适配度、稳定性方面存在不足。大部分采用智能计算中心、自费买英伟达 A800/H800 显卡组成服务器运行、或者用价格更为实惠的服务器云来训练，成本最高的部分是前期的模型训练。 千亿参数模型的报价高达数十万元，由于训练成本高、数据筛选难度大，高昂的售价让很多客户望而却步。在预训练阶段，从互联网上获取大量文本并处理，需要 GPU 集群，通常需要数百万美元的成本。 开源模型可以由任何人托管，包括不承担大模型训练成本（高达数千万或数亿美元）的外部公司。闭源模型能否长久保持优势还是未知数。

阿里投资的大模型公司主要有月之暗面和 MiniMax 。 去年底，阿里开始密切接触当时大模型公司中排位相对靠后的月之暗面，并在 2024 年春节前谈定投资，大手笔投资近 8 亿美元，持股比例约 40%，月之暗面投后估值来到 23.4 亿美元。 此外，阿里在今年初投资了 MiniMax 约 6 亿美元。