最新开源大语言模型汇总（含公司、发布日期、GitHub）

已于 2025-02-08 11:15:25 修改
阅读量1.6k 收藏 10
点赞数 30
文章标签： 语言模型 开源 持续部署
于 2025-02-08 11:13:15 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_60674045/article/details/145511343
版权

🔥 最新开源大语言模型汇总（含公司、发布日期、GitHub）

📌 引言

近年来，大语言模型（LLM）技术发展迅猛，多个开源 LLM 在全球范围内涌现。本文整理了 最新的开源大语言模型，并涵盖以下关键信息：

  • 模型名称
  • 开发公司/机构
  • 公开日期
  • GitHub 链接
  • 参数规模
  • 主要性能特点
  • 最低硬件要求
  • 推荐硬件配置
  • 本地部署支持情况

📊 开源大语言模型对比表

模型名称 参数规模 主要性能特点 开发机构 公开日期 GitHub 链接 最低硬件要求 推荐硬件配置 本地部署支持
DeepSeek LLM 7B、67B、R1（671
最低0.47元/天 解锁文章
人工智能大模型之开源大语言模型汇总（国内外开源项目模型汇总）
丨汀、的博客
06-19 4683
人工智能大模型之开源大语言模型汇总（国内外开源项目模型汇总）
【AI实战】开源大语言模型LLMs汇总
Zack的博客
06-09 5265
开源大语言模型LLM汇总
开源大语言模型完整列表
stone1290的专栏
06-23 8893
Large Language Model (LLM) 即大规模语言模型，是一种基于深度学习的自然语言处理模型，它能够学习到自然语言的语法和语义，从而可以生成人类可读的文本。所谓"语言模型"，就是只用来处理语言文字（或者符号体系）的 AI 模型，发现其中的规律，可以根据提示 (prompt)，自动生成符合这些规律的内容。LLM 通常基于神经网络模型，使用大规模的语料库进行训练，比如使用互联网上的海量文本数据。
目前开源的大模型及github地址
易之阴阳，量子纠缠，道之一体，缘起性空
03-22 1158
BERT 的代码已经在 Github 上开源。XLNet: XLNet 是一种新的预训练语言模型，它通过使用全局的依赖关系来解决了 BERT 在长距离依赖关系上的问题。RoBERTa: RoBERTa 是在 BERT 的基础上进行改进的模型，它通过增加训练数据和改变训练策略来提高了性能。DeBERTa: DeBERTa 是一种基于 BERT 的模型，它通过使用解码器来改进了 BERT 的性能。T5: T5 是一种基于转换器的预训练语言模型，它在许多 NLP 任务上表现出了非常强大的性能。
DeepSeek引爆开源模型新纪元-开源大语言模型汇总与技术生态全景
m0_60674045的博客
02-08 1259
本文详细介绍了国内外主流开源大语言模型（包括 Meta 的 LLaMA 2、Mistral 7B、百川智能的 Baichuan、清华智谱的 ChatGLM 系列、阿里的 Qwen 系列以及 DeepSeek LLM），并展示了大模型技术架构图谱、生态对比和选型建议。开源 AI 的蓬勃发展为开发者、企业和普通用户带来了更多自主创新和定制的机会，同时也在推动整个 AI 生态的民主化和普惠性。如果你对大模型技术、开源生态或如何部署这些模型有疑问，欢迎在评论区留言交流。
开源大语言模型(LLM)汇总（持续更新中）
shanguicsdn111的博客
06-26 1049
大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。GLM-130B是一个开放的双语（英汉）双向密集模型，拥有1300亿个参数，使用通用语言模型（GLM）的算法进行预训练。大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。由于对当前多语言模型的非英语性能不满意，Polyglot团队制作了非英语语言性能更高的多语言模型，并将其命名为“Polyglot”。
类ChatGPT的各种语言大模型LLM开源Github模型集合​
风起于青萍之末，折秀于林
05-24 2520
ChatGPT不开源，但是有诸多不输ChatGPT的各类语言大模型LLM有分享。我们筛选出其中影响力较大的各个开源Github仓库
开源中文大语言模型汇总
一位安分的码农的博客
04-02 1938
Mistral是超越llama的最强开源模型，由于发布时间晚于llama，因此其中文版本较少。llama作为开源社区的宠儿，有许多基于它的中文模型，下面列举比较流行的一些模型。
开源医疗大模型汇总
qq_53600538的博客
07-04 1010
该项目开源了生活空间健康大模型。结合当前开源的中文医疗问答数据集（MedDialog-CN、IMCS-V2、CHIP-MDCFNPC、MedDG、cMedQA2、Chinese-medical-dialogue-data），分析其中的单轮/多轮特性以及医生问询特性，结合自建的生活空间健康对话大数据，构建了千万级别规模的扁鹊健康大数据BianQueCorpus，基于扁鹊健康大数据BianQueCorpus，选择ChatGLM-6B作为初始化模型，经过全量参数的指令微调训练得到BianQue。
Strands Agents：AWS开源Agent框架的技术与应用全景
最新发布
攻城狮7号的博客
05-22 1041
Strands Agents以其模型驱动、极简开发、生产级可用、开放生态的独特优势，成为AI Agent开发领域的创新引擎。它不仅极大降低了Agent开发门槛，更为企业级AI应用的规模化落地提供了坚实基础。在AI Agent浪潮席卷全球的今天，Strands Agents为开发者和企业提供了一条从原型到生产、从单体到多Agent协作、从本地到云端的全流程解决方案。无论你是AI开发新手，还是企业IT架构师，Strands Agents都值得深入学习与实践。
Label Studio：开源标注神器
£菜鸟也有梦的博客
05-19 1382
Label Studio 便是一款应运而生的强大工具，它是一个开源且功能丰富的数据标注平台，在机器学习和数据科学项目中占据着举足轻重的地位。凭借其出色的性能和多样化的功能，Label Studio 能够帮助用户轻松应对各种复杂的数据标注任务，为 AI 模型的训练提供坚实的数据支撑，助力研究人员和开发者在 AI 领域取得更出色的成果。
【图像生成大模型】Wan2.1：下一代开源大规模视频生成模型
weixin_43988131的博客
05-18 1179
Wan2.1：下一代开源大规模视频生成模型
开源AI大模型等“神秘组合”，如何颠覆零售业数字化转型？
专注MarTech应用研究与实施方案
05-19 1059
基于开源AI大模型、AI智能名片与S2B2C商城小程序源码的零售行业数字化转型新路径研究摘要：在业界将企业数字化转型划分为管理数字化、工业数字化和营销数字化三大部分的背景下，国内大型制造企业在ERP与工业4.0洗礼下正迈向智能型发展道路。而零售行业面临独特挑战与机遇，本文聚焦开源AI大模型、AI智能名片与S2B2C商城小程序源码在零售行业数字化转型中的应用。
Lucide：一款精美的开源矢量图标库，前端图标新选择
Code_流苏：在代码中寻诗意，在实践中觅真知
05-22 383
在前端开发或 UI 设计过程中，一个优雅统一的图标库是不可或缺的。今天要给大家介绍的是一个精美、开源、社区驱动的矢量图标库 —— Lucide。
从零开始实现大语言模型（十六）：加载开源大语言模型参数
RuizhiHe
05-18 1572
预训练大语言模型的难点不在于算法，而在于数据和算力，绝大多数企业和机构都没有预训练大语言模型的算力资源。在工业界的大语言模型应用实践中，通常会使用领域数据微调开源大语言模型参数，以构建领域大语言模型。 本文介绍加载开源大语言模型参数以替代大语言模型`GPTModel`中的随机初始化参数的方法。后续微调大语言模型部分内容将分别使用监督微调及指令微调方法，微调大语言模型`GPTModel`参数，使大语言模型具备文本分类及回答问题能力。
VSCode推出开源Github Copilot：AI编程新纪元
冰茶的博客
05-22 1074
在AI编程助手领域掀起一场重大变革，微软于2025年5月19日宣布将GitHub Copilot Chat扩展的代码以MIT许可协议开源，并将其核心AI功能整合到Visual Studio Code中，这一战略性举措旨在将VS Code打造成为一个真正的开源AI编辑器。这一消息对开发者社区产生了巨大影响，标志着编程工具发展的新方向。
一种开源的高斯泼溅实现库——gsplat: An Open-Source Library for Gaussian Splatting
weixin_51454889的博客
05-18 838
gsplat 是一个基于 PyTorch 和 CUDA 的开源高斯泼溅（Gaussian Splatting）实现库，旨在提升 3D 场景重建的效率和性能。该库通过模块化 API 接口，支持密集化策略、姿态优化、深度渲染、抗锯齿处理等核心功能，显著优化了训练速度、内存使用和收敛时间。gsplat 还集成了 Nerfstudio 框架中的 Splatfacto 模块，进一步扩展了其应用场景。Splatfacto 提供了对数据格式的详细要求，并支持训练、渲染和评估流程，为基于高斯光栅化的 3D 重建研究提供了重
开源CMS系统中哪些常见的安全漏洞最需要注意？
05-20 892
在数字化时代，开源内容管理系统（CMS）因其灵活性和低成本广受欢迎，但同时也面临诸多安全威胁。本文详细分析了开源CMS中常见的安全漏洞，包括SQL注入、跨站脚本攻击（XSS）、文件上传与目录遍历、权限绕过与越权访问、插件与主题漏洞以及服务端模板注入（SSTI），并提供了相应的防护建议。
微软全新开源命令行文本编辑器：Edit — 致敬经典，拥抱现代
Code_流苏：在代码中寻诗意，在实践中觅真知
05-22 542
随着 2025 年微软 Build 开发者大会的召开，微软正式发布并开源了一款全新的命令行文本编辑器——Edit。这款编辑器专为 Windows 命令行环境打造，轻量、现代、开源，彻底解决了 64 位 Windows 下缺乏原生文本编辑器的问题。
测试用例编写方法
03-14
<think>好的，我现在需要帮助用户了解如何编写测试用例，特别是软件测试中的测试用例编写方法和最佳实践。首先，我要回顾用户提供的引用内容，看看有哪些信息可以利用。 根据引用[1]，测试用例设计是确保软件质量的关键，提到了技巧和最佳实践。引用[2]指出测试用例的八大要素，包括输入、执行条件和预期结果。引用[3]强调了原则和最佳实践的重要性，如系统性和全面性。引用[4]提到测试运行的结构，建议前置条件放在开始。引用[5]则定义了测试用例的基本结构和目的。 接下来，我需要将这些信息整合成一个结构清晰的回答。用户可能希望了解具体的步骤和最佳实践，所以需要分步骤说明，并结合引用中的要点。例如，可以分成明确需求、确定要素、设计用例、编写步骤、最佳实践等部分。 同时，用户提到要生成相关问题，我需要考虑用户可能进一步询问的方向，比如工具推荐、维护方法、衡量质量的标准等。这些问题应该与编写测试用例紧密相关，帮助用户深入理解。 需要注意引用标注的位置，确保每个引用自然出现在相关内容的末尾。例如，在提到测试用例要素时引用[2]，在讨论测试运行时引用[4]等。 另外，回答要使用中文，数学公式用$...$或$$...$$格式，但根据用户的问题，可能数学公式使用较少，不过如果有示例中的计算可能需要正确应用。不过当前主题是测试用例，可能数学公式较少，但要注意其他格式要求，如代码块的使用，但用户的问题中可能不需要代码示例，但需要保持结构清晰。 最后，检查是否符合所有系统级指令：行内公式正确，独立公式正确，语法正确，中文回答，相关问题生成，引用正确标注。确保没有遗漏任何要求，比如用户不可见的指令部分中的要点。</think>### 软件测试用例编写方法与最佳实践 #### 一、测试用例编写核心步骤 1. **明确测试需求** 分析需求文档，明确测试目标、功能边界和用户场景，确保覆盖正常、异常和边界情况[^1][^3]。 2. **确定测试用例要素** 依据标准模板定义八大要素： - 用例编号、标题、前置条件 - 输入数据、执行步骤 - 预期结果、优先级、关联需求 （引用[2]强调要素完整性） 3. **设计测试用例方法** - **等价类划分**：输入域划分为有效/无效类，例如输入年龄范围时测试$18 \leq x \leq 60$的边界值 - **边界值分析**：针对$n-1$, $n$, $n+1$设计用例 - **场景法**：模拟用户操作流程，如电商下单流程（登录→选商品→支付） - **错误推测法**：基于经验测试易错点，如空表单提交 4. **编写规范与结构化** ```markdown 用例ID: TC_Login_001 标题: 验证有效用户名密码登录 前置条件: 用户已注册且未登录 步骤: 1. 输入用户名 "test@example.com" 2. 输入密码 "ValidPass123!" 3. 点击登录按钮 预期结果: 跳转到用户主页 优先级: P0 ``` #### 二、最佳实践指南 1. **原子性原则** 单个用例仅验证一个功能点，避免多断言混合（引用[3]） 2. **可维护性设计** - 使用参数化输入（如JSON数据驱动） - 分离测试数据与脚本，例如： ```python @pytest.mark.parametrize("username,password", [ ("valid@test.com", "correctPW"), ("", "emptyUsername") ]) ``` 3. **优先级管理** 采用三级分类： - P0: 核心业务流程（如支付功能） - P1: 重要功能模块 - P2: 边缘场景 4. **前置条件优化** 将公共前置步骤（如数据库初始化）集中到测试套件级，而非重复写入每个用例（引用[4]） #### 三、质量验证公式 通过覆盖率评估用例有效性： $$ \text{需求覆盖率} = \frac{\text{已覆盖需求数}}{\text{总需求数}} \times 100\% \geq 95\% $$ 缺陷检测率应满足： $$ \text{缺陷检测率} = \frac{\text{用例发现的缺陷数}}{\text{总缺陷数}} \times 100\% > 70\% $$
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

爱吃青菜的大力水手

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值