隨著chatgpt誕生，開源大模型的也獲得了突飛猛進的進展，值得關注的是國內本地私有大模型已經在很多真實的場景中落地，比如智能客服。美國的技術研發能力遙遙領先，但是不得不說落地應用這塊是我們的強項。企業使用大模型一般需要考慮數據隱私和安全的問題，所以一般會選擇開源大模型在本地部署，然后通過微調大模型參數，讓它適用企業的特殊場景。以下介紹幾個比較常用的開源大模型，對比他們的特點和使用場景。
| 模型名稱 | 優點 | 缺點 | 適用場景 |
|---|---|---|---|
| ChatGLM-3 | 強大的語言理解能力 適用于多輪對話 支持中英雙語 | 需要較大的計算資源 可能存在偏見和誤解 | 對話系統 客戶服務 語言翻譯 |
| LLaMA-3 | 小型模型尺寸 良好的語言生成能力 適用于資源受限環境 | 在復雜任務上可能不如大型模型 | 語言生成 文本摘要 情感分析 |
| Qinwen2 | 中文語言模型 支持中文方言和古文 | 對非中文語境支持有限 需要針對方言優化 | 中文文本處理 中文語言教學 中文文學創作 |
| DeepSeek-v2 | 問答系統專精 理解復雜問題 精確信息檢索 | 非結構化數據檢索局限 需要大量訓練數據 | 知識問答 信息檢索 教育輔助 |
| Vicuna13-B | 多語言支持 上下文理解能力 | 高計算資源需求 特定任務可能非最優 | 多語言處理 跨領域問答 |
| Mistral 7B | 生成能力和多樣性好 適合生成任務 | 在理解任務上可能不足 顯存需求可能限制部署 | 文本生成 創意寫作輔助 |
| Yi-34B-Chat | 優秀的對話生成能力 適合復雜對話任務 | 高計算資源需求 對非對話任務效率不高 | 對話系統 多輪對話應用 |
| phi | 廣泛的語言理解和生成能力 適合多種NLP任務 | 特定任務需額外微調 硬件資源要求可能較高 | 通用NLP 文本生成 問答系統 |
