开源模型发展迅速，如何评价不同基座模型及其衍生版本？

DeepSeek

Gemma、Mixtral、LLama3等层出不穷。那些标榜最强开源模型一夜易主的新闻标题，几个月就换个主角重新发布，已经变得不再新鲜。基座模型及其衍生版本众多，难以计数，按照谱系梳理更为清晰。文章末尾会附上文中提及的部分宝藏合集、实用工具和资源链接，供您参考。下面我们开始展开。常见基础模型概述：

各类底座模型各具特色，优势各异。例如，ChatGLM是一款可商用的模型，参数规模和训练数据量都很出色，特别适合生成式对话，尤其在中文处理方面表现优异。LLaMA虽然提供了多样化的参数配置和较长的训练长度，但在商业应用上存在一定限制。DeepSeek则在参数规模上给予更多选择，能够灵活满足不同场景的应用需求。这些开源基础衍生出众多分支和变体，共同形成一片生机勃勃、繁茂多彩的开源项目森林。

智谱AI与清华大学KEG实验室联合推出新一代对话预训练模型，展现国产技术实力。ChatGLM3在继承前两代模型对话自然、易于部署等优势的同时，引入了更丰富的训练数据、更充分的训练次数以及更科学的训练方法。ChatGLM3系列模型能够直接支持工具调用、代码运行和Agent任务等多种复杂场景，从而为用户提供更加全面且高效的功能体验。通义千问是由阿里云研发的超大规模语言模型。通义千问是阿里云推出的大模型系列，参数规模涵盖18亿、70亿、140亿和720亿。该模型具备广阔的知识范围与卓越的分析能力，适用于智能搜索、问答系统等场景，为用户带来便捷高效的交互体验。它能够灵活调用插件，并可升级为Agent以拓展更多功能。

AI

Mistral AI推出的70亿参数大语言模型，性能全面超越Llama 2的13B版本，在多项测试中甚至超过Llama 1的34B模型。该模型采用滑动窗口注意力（SWA）技术优化注意力机制，大幅提升了运行效率。然而，这类海外模型普遍存在一个问题，即更擅长处理英语任务，中文等其他语言支持相对较弱。一模型零一万物推出的开源预训练大模型，由李开复团队研发，可一次性处理40万汉字。该模型曾在Hugging Face上位列中文开源模型榜首，中文和英文表现俱佳。它具备出色的语言理解与生成能力，广泛适用于各类自然语言处理任务。从个人学习角度看，确实有一定门槛，尤其是硬件资源方面。建议从参数规模约7B的开源模型入手，例如清华的GLM系列或Meta的Llama系列，都是不错的选择。建议尝试Ollama，这是一款用于在Docker容器中部署和管理大语言模型的工具，能够显著优化部署流程。安装完成后，借助简单命令即可下载所需的大模型。Ollama官网展示了其支持的模型列表，甚至包含Llama3等热门模型，非常值得体验。

Ollama基于命令行交互，略显不便，可安装OpenWebUI，在浏览器中使用，更加轻松自如。

如果你觉得独自探索过于繁琐，近期正好有一门由网络知学堂与AGI课堂联合推出的针对程序员的AI大模型免费公开课。这门课程专为适应当前AI大模型的发展趋势而设计，由几位行业专家亲自授课，主要面向希望系统学习AI大模型知识的学习者。课程将全面讲解开源与闭源大模型的技术路线，以及相关应用开发的技术栈。包括模型微调（fine-tune）、LangchAIn技术等内容都会深入覆盖，帮助你构建完整的知识体系。关键是拥有AI大模型学习资源包与实用工具。感兴趣的话，不妨关注一下↓↓↓若想先在线体验，可尝试 ShirtAI。这是一款整合全球大模型的全能 AI 工具，具备问答、绘图、PDF 对话解析、AI 语音合成等功能，使用便捷省心。

可选择主流的开源或闭源模型。

网页版访问：AI.com/">https://www.myshirtAI.com/；IOS用户请前往苹果商店下载，搜索ShirtAI，应用ID为6474819973。这是专为设计T恤打造的智能工具，快体验吧。

如果有科学上网工具，可前往huggingface体验页面直接使用，该平台支持众多开源模型。

选择开源大模型，务必结合实际需求考虑。各类模型各有优劣，选择时需根据任务需求，找到最适合的模型。虽然开源模型看似无需费用，但实际需承担计算与存储资源、能源消耗、技术投入及后期维护等成本。毫无疑问，模型规模和复杂度越高，所需成本也越高。精度：参考模型在相似任务上的性能基准，对比各类LLMs完成特定任务的准确率。数据安全在商业领域至关重要，需综合考虑隐私保护与合规性等因素以确保信息安全。活跃的开源社区提供技术支持、更新与改进，完善的文档和教程助你快速掌握模型使用方法。超棒的中文语言模型大全：

HuggingFace开源大模型排名一览

整合多个开源模型的聊天界面——Huggingchat：

网页版Llama3体验：