LLM(Large Language Model, 大型语言模型)是指那些规模庞大、参数数量众多的深度神经网络模型，用于理解和生成自然语言文本。在自然语言处理（NLP）领域有着广泛的应用，因其强大的语言理解和生成能力，能够处理各种复杂的文本任务，包括但不限于翻译、问答、文本摘要、对话、文本分类、情感分析、代码生成、创作辅助等。其主要功能和特点如下：

架构特点：

LLM主要基于Transformer架构，该架构由Vaswani等人在2017年的论文《Attention is All You Need》中提出。Transformer通过自注意力机制（Self-Attention）来捕捉文本中的长距离依赖关系，无需像循环神经网络（RNN）那样逐词递归处理，从而实现了并行计算，大大提高了训练和推理速度。典型的LLM结构包括：

Encoder-Decoder结构：如用于机器翻译的模型。Encoder将输入文本编码成一个固定长度的上下文向量，Decoder 则依据该上下文向量生成目标语言的文本输出。Encoder-only结构：如BERT等。主要用于文本理解任务，如文本分类、命名实体识别、问答系统中的问题理解等。Encoder-only模型通过双向编码整个输入文本，生成具有上下文信息的隐藏状态，这些隐藏状态可以被后续任务特定的层（如分类层、标记层等）利用来进行预测。Decoder-only结构：如GPT系列模型，用于生成文本、补全句子、撰写文章等任务。这类模型直接根据给定的提示（prompt）或前文上下文生成连续的文本输出。参数规模

LLM的“大型”体现在其巨大的参数量，通常在数十亿到数千亿之间。例如，GPT-3（Generative Pretrained Transformer 3）拥有约1750亿个参数，而更近期的模型如 GPT-4、PaLM、Chinchilla、阿里云的通义千问等，参数量可能更大。大规模参数使得模型能够学习到更丰富的语言规律和模式，提高其泛化能力和表达复杂语言结构的能力。

预训练与微调

LLM通常遵循“预训练-微调”的范式：

预训练：模型首先在大规模无标注文本数据（如互联网抓取的文本、书籍、百科等）上进行自我监督学习，通过自回归语言建模任务（预测下一个词的概率）或掩码语言建模任务（预测被遮蔽词语的概率）来学习语言的通用表示。微调：预训练后的模型可以针对特定任务进行微调，即在特定领域的有标注数据上进一步训练，调整模型参数以适应特定任务的需求，如问答系统的回答生成、文本分类任务的标签预测等。应用场景

LLM在实际中主要应用在以下场景：

生成文本：创作诗歌、故事、新闻文章、代码片段等。理解与问答：解答各类问题，提供精准的信息检索和知识解析能力。对话交互：进行自然、流畅的人机对话，模拟人类对话风格，用于客户服务、虚拟助手、教育辅导等领域。文本翻译：实现高质量的跨语言翻译，无需显式对齐的平行语料。文本摘要：自动生成文本摘要，提炼关键信息。代码生成：根据自然语言描述编写或补全代码，助力编程和软件开发。

笔者在这里对目前的开源大模型LLM进行了一个全面、系统的整理，与大家分享~

国外开源模型

模型链接

模型描述

OpenSora

高效复现类Sora视频生成的完全开源方案

GROK

3140亿参数的混合专家模型，迄今参数量最大的开源LLM

Gemma

谷歌商场开源模型2B，7B免费商用，开源第一易主了

Mixtral

Mistral AI的突破性大模型，超越GPT3.5，重新定义人工智能性能和多样性

Mistral7B

“欧洲OpenAI”的“最强7B开源模型”，全面超越13B的Llama2

LLama2

Open Meta带着可商用开源的羊驼2模型来了~

LLama

Meta开源指令微调LLM，规模70亿到650亿不等

WizardLM

微软新发布13B，登顶AlpacaEval开源模型Top3，使用ChatGPT对指令进行复杂度进化微调LLama2

Falcon

阿联酋技术研究所推出，3.5万亿token训练，性能直接碾压LLaMA2

Vicuna

Alpaca前成员等开源以LLama13B为基础使用ShareGPT指令微调的模型，提出了用GPT4来评测模型效果

OpenChat

80k ShareGPT对话微调LLama-2 13B开源模型中的战斗机

Guanaco

LLama 7B基座，在alpaca52K数据上加入534K多语言指令数据微调

MPT

MosaicML开源的预训练+指令微调的新模型，可商用，支持84k tokens超长输入

RedPajama

RedPajama项目既开源预训练数据后开源3B，7B的预训练+指令微调模型

koala

使用alpaca、HC3等开源指令集+ShareGPT等ChatGPT数据微调llama，在榜单上排名较高

ChatLLaMA

基于RLHF微调了LLaMA

Alpaca

斯坦福开源的使用52k数据在7B的LLaMA上微调得到

Alpaca-lora

LORA微调的LLaMA

Dromedary

IBM self-aligned model with the LLaMA base

ColossalChat

HPC-AI Tech开源的Llama+RLHF微调

MiniGPT4

Vicuna+BLIP2 文本视觉融合

StackLLama

LLama使用Stackexchange数据+SFT+RL

Cerebras

Cerebras开源了1亿到130亿的7个模型，从预训练数据到参数全开源

Dolly-v2

可商用7b指令微调开源模型在GPT-J-6B上微调

OpenChatKit

openai研究员打造GPT-NoX-20B微调+6B审核模型过滤

MetaLM

微软开源的大规模自监督预训练模型

Amazon Titan

亚马逊在aws上增加自家大模型

OPT-IML

Meta复刻GPT3，up to 175B, 不过效果并不及GPT3

Bloom

BigScience出品，规模最大176B

BloomZ

BigScience出品, 基于Bloom微调

Galacia

和Bloom相似，更针对科研领域训练的模型

T0

BigScience出品，3B~11B的在T5进行指令微调的模型

EXLLama

Python/C++/CUDA implementation of Llama for use with 4-bit GPTQ weight

LongChat

llama-13b使用condensing rotary embedding technique微调的长文本模型

MPT-30B

MosaicML开源的在8Ktoken上训练的大模型

国内开源模型

模型链接

模型描述

BayLing

中科院开源，性能媲美GPT-3.5，基于LLama7B/13B，增强的语言对齐的英语/中文大语言模型

GLM

清华发布的中英双语双向密集模型，具有1300亿个参数，使用通用语言模型（GLM）算法进行预训练。它旨在支持在单台 A100（40G * 8）或V100（32G * 8）服务器上支持 130B 参数的推理任务。

XWin-LM

一款基于Llama2微调的语言模型,成功在斯坦福AlpacaEval上击败了GPT-4,成为新的榜首模型

XVERSE

元象科技自主研发的支持多语言的大语言模型（Large Language Model），参数规模为650亿，底座模型 XVERSE-65B

XVERSE-256K

最大支持 256K 的上下文窗口长度，约 25w 字的输入内容，可以协助进行文献总结、报告分析等任务

ChatGLM3

智谱AI训练的第三代大型语言模型，它不仅能理解和生成人类语言，还能执行代码、调用工具，并以markdown格式进行响应

ChatGLM2

具备强大的问答和对话功能，拥有最大32K上下文，并且在授权后可免费商用！

ChatGLM

清华开源的、支持中英双语的对话语言模型，使用了代码训练，指令微调和RLHF

Orion-14B-Base

具有140亿参数的多语种大模型，该模型在一个包含2.5万亿token的多样化数据集上进行了训练，涵盖了中文、英语、日语、韩语等多种语言。

Baichuan2

百川第二代也出第二个版本了，提供了7B/13B Base和chat的版本

Baichuan

百川智能开源7B大模型可商用免费

ziya2

基于Llama2训练的ziya2它终于训练完了

ziya

IDEA研究院在7B/13B llama上继续预训练+SFT+RM+PPO+HFTT+COHFT+RBRS

Qwen1.5-MoE-A2.7B

Qwen推出MOE版本，推理更快

Qwen1.5

通义千问升级1.5，支持32K上文

Qwen1-7B+14B+70B

阿里开源，可商用，通义千问7B,14B,70B Base和chat模型

InternLM2 7B+20B

商汤的书生模型2支持200K

Yuan-2.0

浪潮发布Yuan2.0 2B，51B，102B

YI-200K

元一智能开源超长200K的6B，34B模型

YI

元一智能开源34B，6B模型

DeepSeek-MOE

深度求索发布的DeepSeekMoE 16B Base和caht模型

DeepSeek

深度求索发布的7B，67B大模型

LLama2-chinese

没等太久中文预训练微调后的llama2它来了~

YuLan-chat2

高瓴人工智能基于Llama-2中英双语继续预训练+指令微调/对话微调

BlueLM

Vivo人工智能实验室开源大模型

zephyr-7B

HuggingFace 团队基于 UltraChat 和 UltraFeedback 训练了 Zephyr-7B 模型

Skywork

昆仑万维集团·天工团队开源13B大模型可商用

Chinese-LLaMA-Alpaca

哈工大中文指令微调的LLaMA

Moss

为复旦正名！开源了预训练，指令微调的全部数据和模型。可商用

InternLM

书生浦语在过万亿 token 数据上训练的多语千亿参数基座模型

Aquila2

智源更新Aquila2模型系列包括全新34B

Aquila

智源开源7B大模型可商用免费

UltraLM系列

面壁智能开源UltraLM13B，奖励模型UltraRM，和批评模型UltraCM

PandaLLM

LLAMA2上中文wiki继续预训练+COIG指令微调

XVERSE

据说中文超越llama2的元象开源模型13B模型

BiLLa

LLama词表·扩充预训练+预训练和任务1比1混合SFT+指令样本SFT三阶段训练

Phoenix

港中文开源凤凰和奇美拉LLM，Bloom基座，40+语言支持

Wombat-7B

达摩院开源无需强化学习使用RRHF对齐的语言模型, alpaca基座

TigerBot

虎博开源了7B 180B的模型以及预训练和微调语料

Luotuo-Chinese-LLM

冷子昂@商汤科技, 陈启源@华中师范大学以及李鲁鲁@商汤科技发起的中文大语言模型开源项目，包含了一系列大语言模型、数据、管线和应用

OpenBuddy

Llama 多语言对话微调模型

Chinese Vincuna

LLama 7B基座，使用Belle+Guanaco数据训练

Linly

Llama 7B基座，使用belle+guanaco+pclue+firefly+CSL+newscommentary等7个指令微调数据集训练

Firefly

中文2.6B模型，提升模型中文写作，古文能力，待开源全部训练代码，当前只有模型

Baize

使用100k self-chat对话数据微调的LLama

BELLE

使用ChatGPT生成数据对开源模型进行中文优化

Chatyuan

chatgpt出来后最早的国内开源对话模型，T5架构是下面PromptCLUE的衍生模型

PromptCLUE

多任务Prompt语言模型

PLUG

阿里达摩院发布超大规模语言模型PLUG，上能写诗词歌赋、下能对答如流

CPM2.0

智源发布CPM2.0