盘点！大模型及发展趋势！

最新推荐文章于 2024-09-03 16:43:53 发布

AI劳模

最新推荐文章于 2024-09-03 16:43:53 发布

阅读量664

点赞数 19

文章标签：学习 llama 人工智能程序人生

本文链接：https://blog.csdn.net/2401_85373396/article/details/139699235

版权

大型语言模型（LLMs）无疑是此次人工智能革命的核心，其构建于Transformer架构的坚实基础之上，并依据缩放定律（Scaling Law）不断进化。

简而言之，缩放定律揭示了一个关键原理：数据规模的扩大、参数数量的增加以及计算能力的提升，都将促使模型能力迈向新的高峰。正是通过预先训练海量的文本数据，LLMs展现了令人瞩目的对话与任务处理能力，成为了现代人工智能领域的璀璨明星。

可以感受到的是，在AI的浪潮中，大模型技术迭代太快了。往往上个大模型还没霸榜几天，下个大模型就又刷榜了，下面我们一起来看下有哪些经典大模型与其发展趋势。

GPT-4o

近期OpenAI隆重推出了免费的全新的旗舰模型——“GPT-4o”，核心亮点在于把AI工具的使用门槛降到了更低的程度。据详细介绍，GPT-4o模型显著提升了ChatGPT在处理多达50种不同语言方面的表现，具备实时对音频、视觉及文本进行推理的卓越能力，并在速度与质量方面均实现了显著优化。

性能方面，根据传统基准测试，GPT-4o在文本、推理和编码等方面实现了与GPT-4 Turbo级别相当的性能，同时在多语言、音频和视觉功能方面的表现分数也创下了新高。

GPT-4o：https://openai.com/index/hello-gpt-4o/

LLaMA 3

近期，Meta 重磅发布发布两款开源Llama 3 8B与Llama 3 70B模型，供外部开发者免费使用。Meta表示，Llama 3 8B和Llama 3 70B是目前同体量下，性能最好的开源模型。

从其分享的基准测试可以看出，Llama 3 400B+ 的实力几乎媲美 Claude 超大杯以及新版 GPT-4 Turbo，虽然仍有一定的差距，但足以证明其在顶尖大模型中占有一席之地。

模型下载链接：https://llama.meta.com/llama-downloads/

GitHub项目地址：https://github.com/meta-llama/llama3

Phi-3

Phi 是由微软 AI 研究院最新开发的一个开源「小型语言模型」，可商用，卖点是小，需要的资源少。模型包括Phi-3-Mini、Phi-3-Small 和 Phi-3-Medium。其中，Phi-3-Mini 最小，只有 3.8B

的参数，但在重要的基准测试中的表现可与大型模型如 Mixtral 8x7B 和 GPT-3.5 媲美而更大的 Small 和 Medium ，在扩展的数据集的加持下就更牛逼了。

链接：https://huggingface.co/collections/microsoft/

零一万物

Yi系列模型是01.AI推出的下一代开源大型语言模型，旨在成为双语语言模型领域的佼佼者。该模型利用3T多语言语料库进行训练，具备出色的语言理解、常识推理和阅读理解等能力。

据2024年1月数据显示，Yi-34B-Chat模型在AlpacaEval排行榜上位列第二，仅次于GPT-4 Turbo，且优于其他LLM如GPT-4、Mixtral、Claude。此外，Yi-34B模型在Hugging Face Open LLM Leaderboard和C-Eval等各种基准测试中，均排名第一，超越所有现有开源模型，如Falcon-180B、Llama-70B、Claude。这些成绩使Yi系列模型成为全球最强大的LLM模型之一，展现出广阔的应用前景。

论文：https://arxiv.org/abs/2403.04652

链接：https://github.com/01-ai/Yi

大模型发展趋势

1、开源OR闭源？

IT行业的历史告诉我们，开源是软件领域里的一大潮流，它推动了应用生态的繁荣。但自从GPT3出现后，Open AI却选择了闭源，这使得开源大模型的发展似乎停滞在了GPT3.5的阶段。不过，业界还是有一些口碑不错的前沿开源大模型，比如Meta的LLaMA3、Mistral的Mistral 8x7B和零一万物的Yi-34B等。

虽然开源模式在构建生态方面很给力**，但因为大模型算力和算法等方面的限制，它在大模型领域的发展还充满了不确定性。**甚至有人担心，开源模型会逐渐落后。好在Llama 3的出现，给开源模型带来了一线希望。这场关于开源与闭源的辩论还在继续，咱们就拭目以待吧。

2、大规模 OR 小规模参数？

大模型基于Scaling Law（缩放定律）。简单的说，就是数据越多，参数越大，算力越强，模型最终的能力就越强。随着模型参数和预训练数据规模的增加，模型能力与任务效果不断改善，展示出了一些小规模模型所不具备的“涌现能力”。

随着大模型时代的逐步来临，以ChatGPT为代表的前沿大模型技术正逐步在经济、法律、社会等诸多领域展现其重要价值。与此同时，众多AI企业纷纷推出开源大模型，其规模正遵循扩展定律实现指数级增长。

然而，**一个不可忽视的趋势是，大模型的体积正在逐渐精简，使得私有化部署成为可能。这一需求显得尤为重要，特别是在对个人隐私保护要求极高的场景中。**想象一下，一个能够深入了解你各类数据的AI机器人，在无需联网传输数据的情况下，直接在你的设备上运行并为你提供决策支持，这无疑大大增强了用户的信任。可以预见的是，手机端侧大模型将加剧和超级APP的入口之争。实践教程：手机上部署最新大模型全攻略

那么，我们该如何学习大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。