国内大语言模型对比评测（一）

中国开源大语言模型性能对比评测：第一篇,
原创 已于 2024-02-22 09:59:55 修改 · 1.8w 阅读 · 30 ·
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：

#语言模型 #人工智能 #自然语言处理

于 2024-02-04 21:58:15 首次发布

国内大语言模型对比评测（一）

针对国产大模型的横空出世并不断打磨其性能，这次评测我们将覆盖国内所有开源的大语言模型（如下），也针对大家常用功能的设计了测试问题，用于评测其生成结果的优劣。测试问题统一为中文，用于为国内用户使用大语言模型提供参考。

我们所用到的国产大语言模型如下：

百度文心大模型3.5

阿里通义大模型

腾讯混元大模型

讯飞星火认知大模型

抖音云雀大模型

智谱清言

百川智能

MINIMAX

我们所涉及的测试问题主要涉及以下方面：自然语言理解、推理、创造性、情感和意图分析、语言多样性和翻译、多学科知识融合、偏见和伦理、鲁棒性、数学推理、医学诊断、多模态理解和生成。

评测系列文章：

文章目录

测试结果

一. 自然语言理解

测试问题："解释量子力学的哥本哈根解释是什么？"、"在《罗密欧与朱丽叶》中，朱丽叶的复杂情感如何反映了莎士比亚对人性的理解？"
评测结果：国产大模型在自然语言理解和生成结果上相差不大

百度文心一言3.5

阿里通义千问

腾讯混元

讯飞星火

抖音云雀

智谱清言

百川智能

MINIMAX

二. 推理

测试问题："如果一个房间里有两盏灯和两个开关，如何通过在房间外操作开关来确定哪个开关控制哪盏灯？"、"一个火车从城市A到城市B行驶，另一个火车从城市B到城市A行驶。一旦相遇，哪个
最低0.47元/天 解锁文章
5款国产大语言模型测评报告
superheromen的博客
04-07 4508
ChatGPT的推出，对整个科技行业而言可谓“平地起惊雷”，正式拉开了大模型产业蓬勃发展的序幕。目前已有多款大模型上线并面向公众提供服务。不过，这些产品在性能、易用性等方面都有所不同。那么究竟哪个更好用呢？本文将从诗歌、作文、数学、专业领域(以计算机领域为例)这四个角度去分析各个国产大语言模型的特点，并结合一些工具和自己的主观感受来对各个大模型进行评测。
国产大语言模型对比评测（二）
zhangchuangzhuang的博客
02-20 1万+
针对国产大模型的横空出世并不断打磨其性能，这次评测我们将覆盖国内所有开源的大语言模型（如下），也针对大家常用功能的设计了测试问题，用于评测其生成结果的优劣。测试问题统一为中文，用于为国内用户使用大语言模型提供参考。、数学推理、医学诊断、多模态理解和生成。
LLM-国内外主流大模型对比分析一览表
d3y1`5 81_09
09-10 1646
主流大模型技术特性对比摘要 本文对比了全球主流AI大模型的技术特性和应用场景。OpenAI的GPT系列（4.5/4o）在多模态和推理能力上领先；Anthropic的Claude系列在长文本处理和安全性能突出；Google的Gemini深度集成生态；Meta的Llama系列以开源优势著称。国内模型中，ChatGLM4、文心一言、通义千问在中文处理上表现优异，DeepSeek在数学和代码能力上突出。各模型在参数规模（1B-2.1T）、多模态支持、上下文长度（最高400万token）等方面差异显著。企业选择需权衡
2025年AI大模型全解析：10款主流国产模型评测与应用，职场人必备！
最新发布
2401_84494441的博客
10-14 1604
文章介绍了国内10款主流AI大模型，包括DeepSeek、Kimi、元宝等，详细分析了各模型的专注领域、差异化优势和适用用户。作者指出国内大模型赛道快速发展，从"能写"进化到"会想"，厂商从"比谁更大"进入"比谁更准、更合规"的深水区，为职场人士和开发者提供了实用的大模型选择指南。
不输ChatGPT！盘点国产功能强大且免费的大语言模型Top6！
lvaolan8888的博客
05-09 2999
今天给大家整理了国产功能强大且免费好用的几款大语言模型！用好了，你的学习/工作效率将提升10倍。智谱AI专注于研发新一代认知智能大模型，矢志不渝地推动中国创新大模型的发展。自2020年底开始研发GLM预训练架构以来，智谱AI成功训练出百亿参数模型GLM-10B，2021年采用MoE架构训练出万亿稀疏模型，并在2022年合作研发了双语千亿级超大规模预训练模型GLM-130B。基于此，智谱AI也正在构建一个千亿基座模型，以打造大模型平台和产品矩阵。
盘点国产十大最实用的AI大语言模型！（深度解析）
huang9604的博客
12-25 5976
在这个由数据驱动的时代，人工智能（AI）已经成为推动世界进步的超级引擎。从日常的语音助手到复杂的医疗诊断，AI的应用无处不在，它的影响力正以前所未有的速度扩展。
国内外主流大模型语言技术大比拼
06-02 3418
国内外主流大模型语言技术大比拼
5个好用的中文AI大语言模型_中文大语言模型
2401_85280228的博客
06-20 3327
AI大语言模型（Large Language Models, LLMs）是近1-2年来人工智能领域的重要发展，它们通过深度学习技术，特别是基于Transformer的架构（如GPT、BERT等），实现了对自然语言处理的巨大突破。AI大语言模型的主要功能和作用有：文本生成、创意写作、对话生成、问答系统、文本翻译、代码生成、代码解释、文档生成、辅助写作、辅助设计等。1.讯飞星火大模型-AI大语言模型-星火大模型-科大讯飞讯飞星火认知大模型是科大讯飞发布的大模型。
国内大语言模型对比评测（三）
热门推荐
zhangchuangzhuang的博客
02-21 2万+
针对国产免费使用的大语言模型，我们基于不同方面的问题去测试模型并给出一个基础结果和主观评价。希望通过该工作以帮助各位读者找到满足自己需求的大语言模型，提高大家的工作学习效率。对于大模型生成结果给出一个综合排档：第一档：阿里通义千问、百度文心、智谱清言、讯飞星火第二档：腾讯混元、百川智能、抖音云雀第三档：MINIMAX后续我们仍会继续精进测评结果！！！
国内外十大语言模型横向对比测评（截至2023.12.8）
qq_40773212的博客
01-12 2914
主要参考资料：B站Up主贯一智能科技《国内外十大语言模型之横向对比测评》现在有非常多的开源测试数据集，比如MMLU、AGIEval、CEval但是根据Up主描述比较费时成本高，其次这类标准化评测更多考察模型在各个学科和领域的综合表现，不够直观。下面是Up主选择的10个方面。限制实验提示词一律使用汉语，每次测试后都会重启对话。
国内大语言模型汇总
m0_74418760的博客
02-02 1404
MoE是一种机器学习技术，其工作原理如下:将测建道任务划分为子任务，针对每个子/条训练专家学习者)模型，开发门控模型，该门控模型基于要预测的输入来学习咨询哪个专家，并组合预测FastME使悟道够并行咨询不同的专家型，并切换到/预测结果最好的道型，口，如果输入是英文文本，悟道将使用预测懂型，该模型可以在英文文本中生成回应。可扩展性:盘古大模型采用了分布式计算技术，可以实现模型的在线训练和增量学习，可以随着数据量的增加不断优化模型，提高模型的准确度和质量。发现、学习、定制和分享心仪的模型。
2023年6月 国内大语言模型对比【国内模型正在崛起】
QAQterrible的博客
06-06 1993
先说一下这个文章怎么来的。因为朋友问我大语言模型可以生成公务员面试回答不，我说可以啊。之前看文心有这个服务。我想最近好几个模型也没用了测一把！结果！大吃一惊！我觉得我的三个傻孩子长大了！（chatglm130B才出的没算进去）你是一名参加公务员考试的考生，请根据公务员考试结构化面试的评分标准，口语化地回答以下问题，字数控制在400字左右。假如你上岗后，领导交代你和一位同事共同完成本单位的财务迎检工作，他自顾自干活，你会怎么做？国外的：claude。
干货！12 个有望平替 ChatGPT 的国内 AI 大语言模型，一文尽览
kaka0722ww的博客
07-24 1620
干货！12 个有望平替 ChatGPT 的国内 AI 大语言模型，一文尽览
5个好用的中文AI大语言模型
xzp740813的博客
05-09 9647
AI大语言模型（Large Language Models, LLMs）是近1-2年来人工智能领域的重要发展，它们通过深度学习技术，特别是基于Transformer的架构（如GPT、BERT等），实现了对自然语言处理的巨大突破。AI大语言模型的主要功能和作用有：文本生成、创意写作、对话生成、问答系统、文本翻译、代码生成、代码解释、文档生成、辅助写作、辅助设计等。1.讯飞星火大模型-AI大语言模型-星火大模型-科大讯飞讯飞星火认知大模型是科大讯飞发布的大模型。
盘点国产十大最实用的AI大模型！（深度解析）
kaka0722ww的博客
12-10 8794
在这个由数据驱动的时代，人工智能（AI）已经成为推动世界进步的超级引擎。从日常的语音助手到复杂的医疗诊断，AI的应用无处不在，它的影响力正以前所未有的速度扩展。今天我们来聊聊那些国产的AI大模型，深度盘点一下国产最实用的十大AI大模型百度文心大模型包含NLP（自然语言处理）、CV（计算机视觉）和跨模态大模型。在自然语言处理领域，文心ERNIE系列模型具有强大的小样本学习能力和基本推理能力。在计算机视觉领域，百度提出了基于视觉掩码技术的文心VIMER-CAE，具有强大的图像分割能力。
国内大语言模型的相对比较：ChatGLM2-6B、BAICHUAN2-7B、通义千问-6B、ChatGPT3.5
qq_34717531的博客
09-26 5118
国产大模型有很多，比如文心一言、通义千问、星火、MOSS 和 ChatGLM 等等，但现在明确可以部署在本地并且开放 api 的只有 MOOS 和 ChatGLM。MOOS 由于需要的 GPU 显存过大（不量化的情况下需要80GB，多轮对话还是会爆显存），但 ChatGLM 可以在笔记本电脑部署（int4版本只需要6GB显存即可）。所以本文采用ChatGLM 与 ChatGPT 做对比，看看国产模型的优点和缺点。
2025全球大语言模型巅峰对决：ChatGPT-4.5、Gemini Ultra、Llama3、通义千问、文心一言等10大模型全维度解析
霍格沃兹测试学院的博客
02-26 3500
‌案例1：跨境电商创业者‌ ‌需求‌：低成本生成多语言文案 + 规避广告法风险 ‌方案‌：Gemini Ultra（主力翻译） + Claude 3（合规审查） + Llama3（非核心文案降本）‌案例2：MCN机构内容总监‌ ‌需求‌：日更1000条爆款脚本 + 多平台适配 ‌方案‌：字节豆包（热点追踪） + 腾讯混元（优化“网感”） + Llama3（边缘账号降本）‌核心逻辑‌：从业者需根据‌行业属性、岗位职责、预算水平‌选择模型组合，拒绝“一刀切”方案。公众号：霍格沃兹测试学院。
国内大语言模型比较
weixin_43715205的博客
12-25 2249
5、复旦MOSS模型，相关代码、数据、模型参数已在GitHub和Hugging Face等平台开放。2、阿里通义千问，具备自然语言生成、理解和推理能力，支持多轮对话和连续对话。1、百度文心一言，支持多种语言任务，包括文本生成、文本分类、机器翻译等。4、华为盘古大语言模型，适用于图像、文本、语音等多种类型的数据处理任务。3、腾讯混元大语言模型，适用于游戏、金融、教育等多个行业场景。
国产开源大语言模型优劣大盘点
全世界的博客
09-18 2197
7B Base版本适合资源有限的环境和快速原型设计，13B Base版本在处理复杂任务和多语言支持方面表现更佳，经过PPO训练的Chat版本在对话生成方面具有显著优势，而4bits量化版本则适合资源受限和低功耗的应用场景。百度文心一言（ERNIE Bot）是百度推出的新一代知识增强大语言模型，其核心技术基于Transformer架构，通过大规模预训练和微调，能够理解和生成自然语言文本。阿里巴巴通义大模型是阿里云推出的自然语言处理模型，具备自然语言生成、理解和推理能力，支持多轮对话和连续对话。
国内外大语言模型对比实验
03-21
### 国内外大语言模型对比分析 #### 性能比较 国内外的大语言模型在性能上表现出显著差异。国内的AI大模型通常依赖于强大的训练数据和技术支持来提升其性能效果和应用表现[^2]。相比之下，国外的一些领先模型如Phi-3，在本地设备上的运行效率极高，并且在多项测试中展现了卓越的能力，特别是在表征质量和泛化性能方面有突出的表现[^3]。 #### 技术特点 在国内市场中，各大厂商通过多维度的技术手段优化自己的大模型产品，这些技术能力直接影响到最终的应用服务质量。例如，阿里巴巴通义千问系列强调超大规模参数量以及高效推理速度；华为盘古则注重行业定制解决方案的设计与实现。而在国际范围内，除了上述提到的Phi-3之外，还有OpenAI推出的GPT系列等知名项目。它们普遍采用先进的神经网络结构设计思路并结合大量高质量语料库进行预训练从而获得更强的语言理解和生成能力[^1]。 #### 主要差异 从实验角度来看，不同国家和地区所研发出来的大型人工智能语言处理工具之间存在着明显的区别： - **硬件资源投入**：由于计算能力和存储容量等因素的影响，部分海外企业能够更容易获取高端GPU集群用于加速深度学习过程中的迭代更新操作； - **软件框架选型**：一些西方科技巨头更倾向于自主研发专属平台或者基于开源社区贡献版本进一步完善现有体系功能模块建设工作；而中国公司往往会选择兼容性强且易于维护管理的标准协议作为基础架构组成部分之一[^4]； - **应用场景适配度**：考虑到文化背景差异性和法律法规约束条件的不同之处，各自针对特定领域需求进行了不同程度上的调整修改以满足实际业务场景下的具体要求。 ```python # 示例代码展示如何加载预训练好的transformer模型 from transformers import AutoTokenizer, AutoModelForCausalLM tokenizer = AutoTokenizer.from_pretrained("bigscience/bloom") model = AutoModelForCausalLM.from_pretrained("bigscience/bloom") input_text = "Once upon a time" inputs = tokenizer(input_text, return_tensors="pt").to(model.device) outputs = model.generate(**inputs, max_new_tokens=50) print(tokenizer.decode(outputs[0], skip_special_tokens=True)) ```
评论 1
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

程序员张小闯

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