常用的AI大模型

原创 已于 2024-06-12 13:54:59 修改 · 342 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#人工智能 #AI写作 #AI编程 #AI作画

于 2024-06-12 13:53:53 首次发布

        在人工智能领域，“大模型”通常指的是拥有大量参数的深度学习模型，尤其是那些在大规模数据集上训练的模型。这些模型由于其规模庞大，能够在各种任务中展现出卓越的性能，包括自然语言处理（NLP）、计算机视觉（CV）、语音识别、推荐系统等多个领域。以下是关于大模型的一些关键点：

  1. 讯飞星火大模型-AI大语言模型-星火大模型-科大讯飞：https://xinghuo.xfyun.cn/

  2. 豆包： https://www.doubao.com/
  3. ChatHi : https://chat.aimoshu.cc/
  4. 通义 :  https://tongyi.aliyun.com/qianwen/
  5. ChatGPT：https://chatgpt.com/ 【需翻墙】
最低0.47元/天 解锁文章
不要让ChatGPT成为你的智商税
kokool的博客
03-20 4772
我相信有部分人苦于政策，但是又没有途径，没法享受到chatGpt带来的便利。我也相信有不少无良的人，在百度浏览器的各个官网搞什么接入openaiAPI的网站，欺骗广大人民交那么几十块。这种行为本身不合理，也不合法，因为chatgpt就不允许在国内使用，人家也没开通。
一些你找不到但很好用的工具集
qq_35064654的博客
04-22 553
一些你找不到但很好用的工具集
全网最全的DeepSeek满血版平台
BOTOAI
02-24 1万+
可用模型：Deepseek-R1-360高速专线（Deepseek-R1-32B模型）、Deepseek-R1（满血版）（与官网效果一致）可用模型：DeepSeek-R1（加速优化版）、DeepSeek-V3（加速优化版）、DeepSeek-R1（国产推理版）可使用模型：Deep Seek-R1/ Deep Seek-V3/Deep Seek-Janus Pro模型。费用：近期不限次数免费使用。可使用模型：Deep Seek-R1/ Deep Seek-V3 需要充值会员使用。
AI大模型应用与实践指南
热门推荐
weixin_43178406的博客
05-05 6万+
本文主要介绍了人工智能大模型应用指南，从入门到精通的AI实践教程，希望能对学习大模型的同学们有所帮助。 文章目录 1. 前言 2. 书籍推荐 2.1 本书特色 2.2 内容简介 2.3 本书作者 2.4 本书目录 2.5 适合读者
【AI大模型】Prompt Engineering
lmj3732018的博客
06-05 7567
提示工程也叫「指令工程」。Prompt 就是你发给大模型的指令，比如「讲个笑话」、「用 Python 编个贪吃蛇游戏」、「给男/女朋友写封情书」等貌似简单，但意义非凡「Prompt」 是 AGI 时代的「编程语言」「Prompt 工程」是 AGI 时代的「软件工程」「提示工程师」是 AGI 时代的「程序员」学会提示工程，就像学用鼠标、键盘一样，是 AGI 时代的基本技能提示工程「门槛低，天花板高」，所以有人戏称 prompt 为「咒语」
常用的模型大小评估指标
weixin_49626999的博客
10-13 915
常用的模型大小评估指标
Java大模型开发指南
weixin_74417835的博客
04-08 2730
大模型（Large Language Model，LLM）是一种基于深度学习的自然语言处理模型，通过海量文本数据训练而成，能够理解和生成人类语言。大模型具有强大的语言理解、生成和推理能力，可以应用于多种场景，如对话系统、内容创作、代码生成等。大模型的发展经历了从BERT、GPT到ChatGPT、Claude等几个重要阶段，模型规模从最初的几亿参数增长到现在的数万亿参数，能力不断增强。@Service// 内容分类// 关键词提取// 内容翻译。
记录大模型应用开发过程中遇到的问题
爱吃雪糕的小布丁的博客
12-05 2832
undefined 当前分组 default 下对于模型 gpt-3.5-turbo 无可用渠道 (request id: 2024100809061365160529568802677)ollama默认会开启CPU+GPU混合运行的方式来运行模型，不需要特别配置，前提是电脑上配置了显卡驱动、CUAD、cuDNN。
深度解析：中国人工智能大模型技术发展白皮书
m0_63171455的博客
07-30 1579
大模型技术，以其广阔的应用前景和巨大潜力，无疑成为了技术发展的焦点。然而，随之而来的挑战亦不容忽视：****可靠性、可解释性的难题需要我们去攻克，数据质量与数量的提升成为迫切需求，应用部署成本的降低与迁移能力的增强同样重要，而安全与隐私保护的强化更是关键中的关键。此外，探索更为贴合实际、具备落地价值的应用场景，亦是我们需要努力的方向。****这些挑战与机遇并存，将决定大模型技术未来的广泛应用与发展命运。
大模型入门学习策略（附思维导图）
晓林爱学习的博客
02-08 1523
在开始学习大模型之前，首先要明确自己的学习目标。是为了从事相关职业，还是为了解决实际问题，亦或是单纯的兴趣爱好？明确目标后，可以更有针对性地进行学习。例如，如果你想从事大模型工程师的职业，那么就需要系统地学习大模型的理论知识和实践技能；如果你是为了使用大模型解决某个具体问题，那么可以重点学习与该问题相关的模型和算法。
介绍几个常用的国内大模型【1】（附访问地址）
jjikyour的博客
08-10 1025
介绍几个不用翻墙的最近常用的国内大模型
基于大模型的个性化推荐系统实现探索与应用
master_hunter的博客
09-11 1182
需要强调的是，在这一整条链路中，推荐算法虽然只是其中的一个环节，但却是最核心的“心脏”。没有好的算法，视频无法精准匹配用户；但如果缺少审核、冷启动、合规、反馈闭环的支持，再好的算法也难以真正落地。
Ollama 本地CPU部署开源大模型
2401_85377976的博客
07-24 1218
Ollama可以在本地CPU非常方便地部署许多开源的大模型。如 Facebook的llama3, 谷歌的gemma, 微软的phi3，阿里的qwen2 等模型。完整支持的模型列表可以参考：https://ollama.com/library它基于llama.cpp实现，本地CPU推理效率非常高（当然如果有GPU的话，推理效率会更高）, 还可以兼容 openai的接口。本文将按照如下顺序介绍Ollama的使用方法~⚫️ 下载安装Ollama⚫️ 命令行交互⚫️ python接口交互。
大语言模型原理与工程实践：手把手教你训练 7B 大语言模型 自动化训练框架
AI天才研究院
07-10 1737
近年来，大语言模型（Large Language Models，LLMs）在自然语言处理领域取得了突破性进展。从GPT-3到ChatGPT，再到最新的GPT-4，这些模型展现出了惊人的语言理解和生成能力，引发了学术界和产业界的广泛关注。然而，训练如此庞大的模型不仅需要海量的数据和计算资源，还需要复杂的工程实践和优化技巧。本文将深入探讨大语言模型的原理，并以7B参数规模的模型为例，详细介绍如何构建一个自动化训练框架，使读者能够亲自动手训练自己的大语言模型。
大语言模型应用指南：自主Agent系统案例分析
AI天才研究院
05-07 2007
早期的语言模型主要基于统计方法，例如N-gram模型，其原理是根据文本中词语出现的频率统计来预测下一个词语。这类模型简单易于实现，但缺乏对语言深层语义的理解，表达能力有限。自主Agent是指能够在特定环境中自主感知、决策、行动的智能体。能够根据环境变化和自身目标自主做出决策和行动。能够从经验中学习，不断优化自身的行为策略。能够适应不同的环境和任务，具有较强的泛化能力。随着计算能力的提升和数据量的增长，未来将会出现更大规模、更强大的语言模型。
大模型应用：大模型 MapReduce 全解析：核心概念、中文语料示例实现.12
minhuan的专栏
12-03 1317
本文介绍了MapReduce编程模型及其在大模型训练中的应用。MapReduce通过"分治-并行-聚合"思想处理大规模数据，传统Hadoop MapReduce侧重结构化数据计算，而大模型MapReduce则针对自然语言处理任务。文章详细对比了两者在架构、处理对象和核心算力等方面的差异，并提供了中文词频统计的Python实现示例，包括单机版和分布式版本。分布式实现利用多进程模拟集群计算，展示了数据分片、Map、Shuffle和Reduce的完整流程。
人工智能的基石之三：硬件
最简单的方法，解决最实际的问题。
12-05 657
高性能硬件是人工智能的基石，尤其是在机器学习和深度学习领域，海量数据是常态。从充当计算机大脑的中央处理器 (CPU) 到加速计算的图形处理器 (GPU)，硬件的作用是提供处理和运行复杂数据算法所需的原始能力。
【论文速递】2025年第34周(Aug-17-23)(Robotics/Embodied AI/LLM)
最新发布
淋曦的进击手记
12-07 853
自我监督的学习有望消除对手动数据注释的需求，从而使模型能够毫不费力地扩展到大规模的数据集和较大的体系结构。通过不针对特定的任务或领域量身定制，这种训练范式有可能使用单个算法从不同的来源学习视觉表示形式，从自然到航空图像。该技术报告介绍了Dinov3，这是通过利用简单而有效的策略来实现这一愿景的主要里程碑。首先，我们利用仔细的数据准备，设计和优化来扩展数据集和模型大小的好处。其次，我们介绍了一种称为GRAM锚定的新方法，该方法有效地解决了长期训练时间表中已知但未解决的密集特征映射降解的问题。
AI泡沫什么时候破？
脑极体
12-04 675
而AI企业面对的短期形势，可能更为严峻。而AI公司和技术服务商，为了迎合决策者或拿下B端大项目，往往不计成本的低价竞标，无视人工成本的驻场开发，技术价值让位于领导偏好，企业自身也深陷人效黑洞，沦为挣辛苦钱的技术外包。To B/G不赚钱，To C也卖不上价，所以目前AI领域唯一清晰的商业模式，就是类似英伟达的“卖铲人”模式，卖加速卡和算力的企业成了这一轮AI浪潮的最大受益人。去伪存真之后，资本会冷却，叙事会修正，共识会重新凝聚，而那些持续追问“AI如何创造真实价值”的人，会与行业一同穿越周期，走向成熟。
深度学习常用模型整理
10-21
<think>嗯，用户这次想查找深度学习常用模型的整理信息。从对话历史看，我之前已经根据站内引用[1]和[2]整理过一份包含48个模型的分类列表，但用户似乎需要更全面的资料。 用户可能正在做系统性学习，需要一份能覆盖主流方向的模型目录。引用[1]提到要介绍100种模型，但当前回答只覆盖了近半，我应该补充完整。考虑到用户特意强调"整理信息"，可能需要更清晰的结构化呈现。 上次回答已经按CV/NLP/生成模型分大类，这次可以： 1 补充强化学习等新类别 2 增加时间序列模型 3 完善多模态分支 4 补充模型选择流程图（这点特别实用） 注意到引用[2]强调模型评估的重要性，所以在新增模型时应该标注典型评估指标，比如目标检测用mAP，生成模型用FID等。用户如果研究应用方向，这些信息会很有帮助。 上次的48个模型列表反响不错，这次延续表格形式但扩展列信息：增加提出年份和核心创新点。比如Vision Transformer那行可以加注"首次将纯Transformer引入CV"，方便用户理解技术演进。 最后需要检查新增模型的典型性：强化学习部分加入PPO和DQN很必要，但MoCo这类自监督模型是否纳入要斟酌——用户如果关注基础架构可能不需要太前沿的内容。还是先放在表格里，用星号标注进阶模型比较稳妥。 </think>以下是深度学习常用模型的系统整理，按应用领域分类并附关键说明（参考最新研究趋势与工业实践）： --- ### **一、计算机视觉模型** | 模型名称 | 类型 | 典型应用 | 核心特点 | |------------------|-----------------|--------------------------|-----------------------------------| | **LeNet-5** | 卷积神经网络 | 手写数字识别 | 首个成功CNN，奠定基础结构 [^1] | | **AlexNet** | 卷积神经网络 | ImageNet分类 | ReLU/Dropout技术突破 [^1] | | **VGGNet** | 卷积神经网络 | 图像特征提取 | 深层均匀结构（16-19层） [^1] | | **ResNet** | 残差网络 | 图像分类/检测 | 跨层连接解决梯度消失 [^1] | | **YOLO系列** | 单阶段检测 | 实时目标检测 | 端到端预测，速度优势 [^1] | | **Vision Transformer** | Transformer | 图像分类 | 纯注意力机制替代卷积 [^1] | --- ### **二、自然语言处理模型** | 模型名称 | 类型 | 典型应用 | |------------------------|----------------------|--------------------------| | **Word2Vec** | 词嵌入 | 语义向量表示 | | **LSTM/GRU** | 循环神经网络 | 序列建模（文本/时序） | | **BERT** | Transformer编码器 | 语义理解/问答 | | **GPT系列** | Transformer解码器 | 文本生成/对话 | | **T5** | Encoder-Decoder | 文本到文本统一框架 | --- ### **三、生成模型** | 模型名称 | 类别 | 代表应用 | |-----------------|-------------------|------------------------| | **GAN** | 对抗生成 | 图像生成/风格迁移 | | **VAE** | 变分自编码器 | 数据生成/降维 | | **Diffusion** | 扩散模型 | 高保真图像生成 | --- ### **四、多模态模型** | 模型名称 | 技术特点 | |-----------------|-----------------------------------| | **CLIP** | 图文对比学习（OpenAI） | | **DALL·E** | 文本到图像生成 | --- ### **五、模型选择指南** ```mermaid graph LR A[任务类型] --> B{数据特性} B -->|图像数据| C[CNN/Transformer] B -->|序列数据| D[RNN/Transformer] A --> E{需求优先级} E -->|实时性| F[YOLO/MobileNet] E -->|生成能力| G[GAN/Diffusion] ``` > 评估建议：分类任务用**准确率/F1值**，检测任务用**mAP**，生成模型用**FID/IS**[^2] --- ### **相关扩展问题** 1. **如何解决小样本场景下的模型训练问题？** ▶ 可迁移学习（如Fine-tuning BERT）或元学习（MAML） 2. **轻量化模型有哪些部署方案？** ▶ MobileNet架构、模型剪枝（Pruning）、量化（Quantization） 3. **多模态模型在实际业务中如何落地？** ▶ 零售业：CLIP+商品搜索；医疗：图文报告生成 4. **如何验证生成模型的可靠性？** ▶ 人工评估+自动化指标（如BLEU/ROUGE用于文本，FID用于图像）[^2] > 持续更新列表见：[Papers With Code - State-of-the-Art](https://paperswithcode.com/)
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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
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