大模型不再只是搜索引擎：多模型协同时代的生存法则

原创于 2025-12-22 17:07:33 发布 · 564 阅读

CC 4.0 BY-SA版权

文章标签：

基于100万亿token真实数据分析，大模型正从"会说话的搜索引擎"转变为多模型协同的推理决策层。开源模型已占全球近三分之一推理量，中等规模模型(15-70B)成为"甜点位"。编程类任务增长最快，占所有token一半以上；开源模型主要用于角色扮演和编程。推理模型已承担超50%流量，工具调用和长上下文成为趋势。价格非决定因素，谁能先找到匹配高价值任务的"玻璃鞋时刻"，谁就能在AI生态中拥有稳固地盘。

产业互联网第一媒体。产业家

大模型不再只是“会说话的搜索引擎”，而正在变成一个多模型协同的推理与决策层。在这个层上，谁能先踩到自己的“玻璃鞋时刻”，谁就有机会在未来几年的 AI 生态中，拥有属于自己的一块稳固地盘。

过去一年，AI 产业正在经历一次结构性转折：模型不再主要用于通用聊天，而是逐渐渗入研发、运营、客服、创意内容、工具链自动化等真正具有业务价值密度的生产环节。然而，关于一个最根本的问题——现实世界的大模型到底被企业和个人“用来做什么”——产业界反而缺乏基于大规模真实数据的认知。

在产品演示、基准测试和公开发布的光鲜叙事之外，真实的业务工作负载（workloads）、真实的模型选择偏好（model selection）、真实的付费结构（spend distribution）与长期留存（retention），才是决定 AI 产业形态的主导力量。

在OpenRouter与a16z联合发布的《State of AI: An Empirical 100 Trillion Token Study with OpenRouter》研究报告中，首次基于超过 100 万亿个真实推理 token 做了系统分析，为我们揭开了真实世界的 AI 使用地图。

本篇文章在尽可能完整保留原报告洞见的基础上，对技术趋势、需求结构、模型竞争格局与商业含义进行了重新梳理，力求呈现一幅更贴近产业决策、更贴近产品研发、更贴近实际工作负载结构的 AI 落地图景。

如果你关心**未来几年企业级 AI 的主战场在哪里？哪些模型会成为长期基础设施，哪些只是短期热点？开源、闭源、中外模型将在产业链中扮演怎样的角色？如何理解 AI 模型的真实需求曲线？**那么，下面这篇基于百万亿级数据的综合分析，将为你提供一份难得的产业级参考底图。

以下内容为《State of AI: An Empirical 100 Trillion Token Study with OpenRouter》研究报告原文的二次梳理。

前言：

在很长一段时间里，大语言模型更像一个“超级输入法”。它接受一段文本，再根据概率分布，把后面的字一句句补全。哪怕我们引入链式思维、RAG、工具调用，看上去模型好像在“思考”，本质上也只是一次前向推理的复杂包装。

这种状态在 OpenAI 推出 o1 推理模型之后出现了明显变化。o1 和之后的一系列推理模型，不再满足于“直接吐答案”，而是把思考过程内化为多步推理：先在内部生成、修正和筛选中间推理，再对外给出结论。也正是在这一波模型迭代的同时，现实世界的使用场景开始急剧扩张，从聊天写作延伸到编程辅助、复杂工具编排和自动化代理。

可惜，与热闹的讨论相比，我们一直缺少系统的数据来回答一个根本问题：这些模型到底在被怎样使用？

为了解答这个问题，研究者基于 OpenRouter 平台，分析了超过一百万亿 token 的真实调用记录，覆盖数百个模型、全球用户和近一年的时间跨度。文章后面的所有结论，都建立在这套大样本的统计之上。

要理解这些结论，先要搞清楚数据是如何收集的。

OpenRouter 是一个多模型聚合平台，汇集了六十多家提供商、三百多个模型，对外提供统一接口。每一次调用都会留下结构化记录：使用的是哪一个模型，输入和输出的 token 数量是多少，请求来自哪个计费地区，有没有触发工具调用，是否采用流式输出，以及延迟和错误等元数据。

出于隐私考虑，研究者看不到具体的提示词和回答内容，只能看到这些“壳信息”。为了推断“这次调用是用来干什么的”，他们从所有请求里抽取了大约 0.25% 的样本，把提示和回复送进 Google 的文本分类系统，根据层级标签把每次对话归到某个使用类别，比如编程、角色扮演、翻译、教育、成人内容等等，然后再把细标签归并为少数大类。通过这种方式，报告得以在不泄露用户具体内容的前提下，还原真实世界的使用结构。

在模型维度上，作者又做了几层区分：一是开源和闭源，看模型权重是否公开；二是中国模型和其他地区模型，根据开发主体所在地域划分；三是按参数规模，把模型分成小、中、大三个档次。用户地域则按计费地址而非 IP 判断，以获得更稳定的统计口径。

而基于这套标注体系，AI落地产业的图景逐渐显现。

一

开源 vs 闭源：

开源已经拿走了三分之一的盘子

有了数据基础，接下来我们先看最直观、争议也最大的一个问题：开源模型究竟用得多不多？

在总 token 量维度上，闭源模型依然是绝对主力，大约占到 70% 左右；但另一头，开源模型在一年之内的份额一路上涨，到 2025 年底已经稳定在 30% 左右。也就是说，开源不再是“小圈子爱好者玩具”，而是实打实承载了全球近三分之一的大模型推理量。

这种增长并不是线性慢涨，而是和几次关键的开源发布紧密绑定：Llama 3.3 70B、DeepSeek V3 / R1、Kimi K2、GPT-OSS 系列等模型的发布，都会在图表上带来清晰的“阶梯式上升”；更关键的是，这些台阶不是“一阵风”，在发布之后使用量能长期维持在高位，说明它们真的被纳入了稳定的工作流和产品。

在开源阵营内部，“中国模型”是一个非常亮眼的变量。

按年平均来看，中国开源模型大概占了全平台 13% 的 token 份额，与非中国开源模型几乎打平。有些周，甚至能达到全平台接近 30% 的 token 使用量。这背后，主要是 DeepSeek、Qwen 等家族在频繁迭代、持续扩容：每次新模型发布，都会带来一波新流量，并把旧流量迁移过来。

这意味着，中国模型不再只是本地市场的小生态，而已经成为全球开源版图中的重要一极。

如果只看开源模型内部份额，可以看到明显的“多极化”趋势：2024 年底，DeepSeek V3 + R1 在开源流量里几乎是霸榜状态；但随着 Qwen 3 系列、Kimi K2、GPT-OSS 等新选手不断加入，到 2025 年底，没有任何一个开源模型再能拿到超过 25% 的开源 token；Top 5–7 个模型的份额差距在缩小，大家一起瓜分市场。

这也给了模型开发者一个清晰信号：开源世界“爆款频出，但生命周期并不长”。想长期留在榜首，一次性做一个很强的模型远远不够，持续高频迭代才是刚需。
在这里插入图片描述

二

模型大小之争：

中等规模模型逐渐成为“甜点位”

开源世界经常会被问一个问题：到底要做多大的模型？这份报告也给出了一些行为层面的答案。

论文按参数量把开源模型分成三类：小模型：<15B、中模型：15–70B、大模型：≥70B。

对比“模型数量”和“实际使用份额”之后，可以看出几个趋势。

**一是小模型数量很多，但使用份额在下降。**各种 LoRA、专用小模型层出不穷；但它们往往只在极小的垂类或短期试验里出现，生命周期短，很难形成持续大规模使用。

**二是中等规模模型使用份额快速上升。**这一档被认为找到了比较好的“model–market fit”：能力足够强，能覆盖大部分复杂任务；成本又比超大模型低很多；像 Qwen2.5 Coder 32B、Mistral Small 3、GPT-OSS 20B 都是典型代表。

**三是大模型并未出现单一王者。**在 ≥70B 这个档位上，并没有哪一个模型吃掉绝大部分流量；Qwen3 235B、GLM 4.5 Air、GPT-OSS-120B 等都保持了一定份额。

换句话说，“小而美”很难吃到大众市场，“巨大无比”又太贵，中间这档综合能力和成本的模型，正在成为真正的流量承载者。大模型则更多被用在评估、重要决策和极难任务上。

三

开源模型拿来干什么？

一半陪你玩，一半帮你写代码

知道了“谁在用什么”，下一个问题自然是：他们用模型来做什么？

在所有开源模型的任务分布中，两个类别格外突出。一是Roleplay（角色扮演），大约占到了一半以上的 token；二是Programming（编程），大约占 15–20%。

这和大众想象中“模型主要用来效率办公、写邮件”的印象相当不同。

真实情况是大量用户在用开源模型做角色扮演、剧情创作、人物对话、同人故事甚至游戏系统；另一个大头则是代码生成、调试和辅助编程。

从产品视角看，这不难理解，对于“虚构内容”和“个性化体验”，开源模型限制更少，也更容易定制特定人设；对于编程，开源模型可以被深度内嵌到本地开发工具和自建基础设施里，利于控制成本和隐私。

如果单独抽出“中国开源模型”来看，结构又有些不同。角色扮演****仍然是最大的类别，占比约33%，但编程和技术领域的使用量合计已占多数，达到39%。

这说明，在全球开源生态里，中国模型更倾向于被用在技术与工程方向：写代码、改脚本、看日志、做基础设施相关操作，而不仅仅是闲聊或娱乐。

进一步，如果只看“编程”这一种任务，格局又有所不同。闭源模型整体上依然承担了大部分编程流量，尤其是 Anthropic 的 Claude 系列，一直是代码类任务中的头号选手；在开源阵营内部，2025 年中期，中国开源模型一度在编程流量上占绝对优势（比如 QwenCoder系列）；到 2025 年底，欧美开源（LLaMA Code、GPT-OSS 等）追上甚至在部分时间段反超。

而在“角色扮演”这一类中，格局则更偏向开源与闭源两极并存，早期主要由闭源模型承载；随着开源模型能力和自由度的提升，后来角色扮演流量开始大量迁向开源，呈现出几乎对半分的状况。

综合看下来，开源模型在“高自由度娱乐/创作”场景已经与闭源平分秋色，在高精度编程与严肃推理上仍处于追赶，但进展极快。

四

推理模型与工具调用：

LLM****正在变成“多步决策引擎”

随着任务复杂度的提高，单轮“问一句，答一句”的模式逐渐显得吃力。因此，接下来这几个现象几乎是顺理成章的：推理模型普及、工具调用变多、上下文变长。

在时间维度上看，真正优化过“多步推理”的模型起初份额很小，甚至只是实验性的存在。但到 2025 年底，这类模型已经承担了超过 50% 的 token 流量。

这些模型包括：xAI 的 Grok Code Fast 1、Grok 4 Fast；Google 的 Gemini 2.5 Pro / Flash；OpenAI 的 gpt-oss-120b 等。

这表明，开发者在默认选择模型时，越来越偏向“会多步思考”的版本，哪怕它们的延迟稍高、成本略贵，也愿意为稳定的复杂推理能力买单。

工具调用（tool-calling）是另一条清晰的上升曲线。论文通过“finish reason = tool_call”的比例来估算工具调用的使用程度，结果显示工具调用的占比在一年之内稳步提升，只有在某些大客户短期爆量时出现尖峰。

早期，只有极少数模型（如 gpt-4o-mini、部分 Claude 3.5/3.7）承担了几乎全部工具调用流量；随着时间推进，越来越多模型实现了工具调用能力，新版本的 Claude、Gemini、xAI 模型也逐渐接力。

**这也反过来说明对企业级、高价值场景来说，“没有稳定的工具调用”，已经成了很多模型的硬伤。**没有 tool calling，模型就很难被纳入严肃的自动化工作流。

如果再看输入输出长度，就能更直观地感受到任务在变复杂。平均提示长度在一年内增长了约 4 倍，从 1,500 token 左右涨到 6,000；输出长度也从 150 涨到约 400，但增幅相对小，说明更多的 token 被用来提供上下文，而不是多写字。

更极端的是，在编程类任务中，序列长度往往是整体平均值的 3–4 倍。这很容易理解：看代码、分析日志、比对配置，本身就是对“长文本理解”和“局部推理”的考验。

结合上述三个趋势，推理模型、工具调用、长上下文，我们就能看出一个清晰的图景。

典型的大模型请求，正在从“回答一个问题”，转变为“驱动一个代理”：它读一大段上下文，调用工具干具体事，在内部做多轮思考，最后给出一个结构化的决策或结果。

五

任务类别全景：

编程和娱乐是两个超级引擎

当我们把所有模型（而不仅仅是开源）一起看，就会发现一些更宏观的趋势。

在所有类别中，编程（Programming）的增长最为夸张，2025 年初，编程相关请求大约只占所有 token 的 1 成出头；到 2025 年末，编程类任务已经吃掉了超过一半的 token。

这背后是 IDE 集成、代码助手、自动化研发流水线的全面铺开：IDE 原生集成 LLM 成为常态；自动生成单元测试、重构代码、跨项目理解代码库变成频繁操作；持续交付中的一些环节开始由模型辅助甚至主导。

在不同提供商中，分工也逐渐清晰。Anthropic 的 Claude 系列长期拿着 60% 以上的编程流量，是工程师群体的首选；Google、OpenAI、MiniMax 等各自占据部分份额，但整体来看，“写代码”作为 LLM 最重要的生产力场景之一，已经毫无疑问。

再看 Roleplay 类别，我们会发现一个有趣的结构，其中接近 60% 的 token 来自 “Games / Roleplaying Games”；另外约 15% 来自写作者资源（Writers Resources），又有 15% 来自成人内容（Adult）。

换句话说，**很多用户并不是在随意闲聊，而是在进行“严肃的幻想活动”，**比如写小说、写剧本、做世界观设定；扮演游戏角色、跑团、半即时叙事；以及探索成人幻想。

这部分需求在传统软件世界里几乎没有对标产品，如今被统统吸进了 LLM 里。它的商业化路径也许和“生产力工具”完全不同，更接近内容平台、游戏和虚拟陪伴。

此外，还有一大批“既高价值又高风险”的长尾领域，那就是健康（Health）：子类别高度分散，从疾病咨询到心理支持无所不包；金融、法律、学术研究，这类使用量不低，但尚未形成像编程、角色扮演那样清晰的主流模式。

这些领域有一个共同特点：对正确性要求极高、对错误容忍度极低。这也解释了为什么它们在成本上会偏高，但使用模式仍然比较谨慎、碎片化，大家都在试水，但还不敢“全身跳下去”。

六

不同模型提供商的“画像”：

谁在服务谁？

把任务类别再按模型提供商拆开，就能看到每家厂商在现实世界中的“定位”。

整体来看，大致有几种典型画像。

一是Anthropic（Claude），这类使用结构高度偏向编程和技术任务，Roleplay、闲聊类内容占比极小，整体气质非常“工程师 / 企业级”。

**二是Google（Gemini 系列），这类任务分布更均衡，**翻译、科学、法律、技术、知识问答都有；编程占比反而在缓慢下降，更像是“通用信息引擎”和“知识问答中枢”。

三是xAI（Grok），这类早期几乎所有流量都集中在编程；直到开放免费后，才逐渐在 roleplay、学术问答等方向扩展；展现出从“硬核工程工具”向“通用助手”扩张的轨迹。

四是****OpenAI，一开始，科学类问题占了很大比例（尤其是和 Machine Learning & AI 相关）；随着新模型推出，编程 + 技术任务比例持续提高，年末已经超过一半；Roleplay 和日常聊天类请求占比显著下降，整体使用呈现“专业化”趋势。

还有就是以DeepSeek、Qwen为代表的中国厂商。DeepSeek更加偏向 roleplay 和轻量聊天，编程与科学比例相对较低，但有缓慢抬头；Qwen恰好相反，40–60% 的 token 用在编程上，roleplay 和 science 的占比随时间波动。

从这些画像可以看出，多模型生态之所以存在，不只是因为“大家都想分一杯羹”，而是因为不同模型确实在现实中服务了不同的用户群体和任务结构。这也是“多模型编排”未来越来越重要的原因，即没有一个模型能在所有维度都最好。

七

全球视角：

谁在用？用的是什么语言？

模型用得多不多，只是一个维度；另一个关键信息是：这些模型被哪些地区、哪些语言的人在使用？

按消费支出来看北美依然是最大的单一区域，但多数时间已低于全球总支出的 50%；欧洲稳居第二，长期维持在中高两位数百分比；亚洲是增长最快的地区，从最初约 13% 的份额，逐步提升到接近三分之一，已经与欧洲、北美形成三足鼎立的格局。

其中很大一部分增长，正是随着亚洲本地模型（尤其是中国模型）发布而被激发出来的——当本地语言、本地上下文、本地价格更有优势时，区域市场的活跃度自然会被抬高。

虽然地区分布在多极化，但在语言层面，模型使用仍然高度集中，英语占到了约 83% 的提示；简体中文约 5%；俄语、西班牙语和其他语言合计构成剩余的一小部分。

这一结构一方面反映了当前模型训练数据和能力的现实，那就是英语仍然是效果最好、资源最丰富的语言；另一方面也说明了未来的机会空间：多语言、本地化模型还有很大的成长余地。

八

留存与“玻璃鞋效应”：

好模型不是“涨一波就完事”

有了使用量，还不够理解一个模型的真实生命力，关键在于：用户会不会留下来？

论文通过 cohort 分析，把用户按“首次使用某模型的月份”分组，观察每一组在此后各个月份里还有多少用户还在继续使用。这时会发现一个特别有意思的现象，那就是大部分 cohort 的留存曲线在前几个月都掉得很快；但通常会有一两条“早期 cohort”的曲线明显高于其他批次，而且能长期维持在 30–40% 的高留存。

比如，Gemini 2.5 Pro 的 2025 年 6 月 cohort、Claude 4 Sonnet 的 2025 年 5 月 cohort，都展现出这种“高而稳定”的留存特征。

作者用“Cinderella Glass Slipper（灰姑娘的玻璃鞋）”来形容这种现象。简而言之，就是市场上存在着一批高价值、长期的任务，一直找不到“刚刚好”的模型；某一天，一个新模型出现，能力和价格恰好匹配这些任务需求，那一批用户就“试鞋成功”；一旦这类任务在某模型上跑通，上下游工具、流程、组织习惯都会围绕它搭建，迁移成本迅速变高；即便后来有性能略强的竞品出现，这批用户也不会轻易挪窝。

因此，一个模型是否真正抓住了高价值工作负载，不看一时的使用峰值，而要看它是否拥有这样的“玻璃鞋 cohort”。

在 DeepSeek 的留存曲线里，还出现了少见的“boomerang（回旋镖）效应”，即某些 cohort 在一开始几个月快速流失；但过了一段时间后，留存曲线又出现回升，说明原本流失的用户又回来用这款模型。

这很可能意味着一部分用户被其他新模型吸引走，评估试用一圈之后发现，某些指标（比如成本、速度或特定任务上的表现）DeepSeek 仍然更适合自己的工作流，于是又迁回。

这种“出走–回归”的行为，恰恰佐证了：行为数据不只是一次性偏好，而是持久比较之后的选择结果。

九

成本与使用：

不是“谁便宜就用谁”

最后一个关键问题是：价格到底有多重要？

大部分人很容易直觉地认为 AI 已经卷成了价格战，但报告的数据给出了更细致的答案。

把不同任务类别画在“每百万 token 成本（横轴，log）”和“总使用量（纵轴，log）”上，可以大致分成四类。

右上是高成本、高使用，例如 Technology、Science 等技术和科研类任务；左上是低成本、高使用，例如编程和角色扮演这两个流量怪兽；右下是高成本、低使用，例如金融、健康、学术、营销等专业场景；左下是低成本、低使用，例如翻译、法律咨询、冷知识查询等工具化场景。

特别夸张的是 Technology 类别，它在成本上是明显的离群点，但使用量依然很高，意味着当任务本身价值特别高（比如系统架构设计、复杂技术咨询）时，用户对价格极不敏感，反而更在乎模型的可靠性和能力上限。

如果换个角度，把每个模型作为一个点画在“成本 vs 使用”的图上，会看到模型价格下降 10%，使用量平均只上升不到 1%，总体相关性非常弱。但在聚类上却很清晰，即闭源模型集中在“高价、高使用”区域；开源模型则更多分布在“低价、中高使用”区域。

这说明闭源模型主要在抓高价值任务，用户愿意为其更高的性能和可靠性付钱；开源模型则更多承载了高体量、成本敏感的任务，比如大规模角色扮演和非关键生产环境中的编程。

同时也能看到某些很贵的模型使用量一般，却深度服务极少数关键任务，它们的价值不能简单用“token 数”来衡量；大量“便宜但一般”的模型，没有形成工作负载–模型的强匹配，即使价格压得很低，也不会自然跑出使用量。

一句话总结就是，价格重要，但远没有“是否真正解决了某类高价值任务”重要。

十

整体启示：

多模型、代理化和“玻璃鞋时刻”

把所有这些数据和现象放在一起，可以提炼出几个对未来几年都很重要的结论。

**首先，未来是一个稳定的多模型世界。**不同模型在不同任务上形成各自的“使用画像”；闭源抓高价值，开源吃高体量，各有生存空间；对应用开发者来说，押宝一个“终极大一统模型”风险太高，更现实的选择是：做模型无关，做多模型编排。

**其次，真实世界的使用远不止“生产力工具”。**在开源世界，超过一半的流量来自角色扮演、叙事创作和娱乐；这些场景需要的是持续性、趣味性、一致的人设，而不仅是事实正确；这意味着，我们需要全新的评估维度和产品形态，而不能只用“考试分数”和“基准测试”衡量模型。

**另外，编程与代理式推理是关键战场。**编程类任务成为增长最快的品类，序列最长、工具调用最多；推理优化模型已经占据过半流量，代理式使用成为主流；对模型和基础设施来说，长上下文、工具调用鲁棒性和整体工作流延迟的重要性，已经超过“单次回答的华丽程度”。

**最后，护城河不在价格，而在“玻璃鞋时刻”。**真正能留下来的，是那些第一次“刚刚好”地解决了一类工作负载的模型；一旦形成了关键任务上的深度绑定，后来的玩家哪怕性能略强、价格更低，也不一定能撬走用户；对模型提供方来说，重点不在于持续压价，而在于找到自己最擅长的任务带，把这部分用户服务好，保证可靠性和持续迭代。

结语

通过对超过 100 万亿个 token 的真实调用数据进行拆解，这份研究把我们常常“凭感觉”讨论的许多问题——开源 / 闭源之争、推理模型的价值、多模型生态、价格战与留存、编程和娱乐的相对重要性——都拉回了实证层面。

如果只用一句话来概括这份报告的内核，大概会是大模型不再只是“会说话的搜索引擎”，而正在变成一个多模型协同的推理与决策层。在这个层上，谁能先踩到自己的“玻璃鞋时刻”，谁就有机会在未来几年的 AI 生态中，拥有属于自己的一块稳固地盘。

最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

✅AI大模型学习路线图
✅Agent行业报告
✅100集大模型视频教程
✅大模型书籍PDF
✅DeepSeek教程
✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到优快云的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

在这里插入图片描述

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200% ，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

在这里插入图片描述

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点
在这里插入图片描述

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

在这里插入图片描述

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

在这里插入图片描述

④各大厂大模型面试题目详解

在这里插入图片描述

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

在这里插入图片描述