内容形态
新模型的发布、开源与迭代：大模型厂商的旗舰更新、开源权重放出、性能与价格变化的第一时间记录。
178 条精选近 30 天 75 条共收录 423 条
Mistral AI 发布 7B 参数模型 Mistral 7B，其在标准英语和代码基准测试中超越所有目前可用的 13B 及以下开源模型。该模型基于 Apache 2.0 协议发布，运行速度更快且成本更低，适用于摘要、问答等任务。公司计划在未来几个月内逐步发布缩小黑盒与开源模型性能差距的新模型。
推荐理由：原文展示了 7B 模型超越 13B 开源模型的性能对比，并明确采用 Apache 2.0 协议，为开发者提供了低成本且可控的替代方案。
Mistral AI 发布 Mistral 7B，这是一个 7.3B 参数的大语言模型，采用 Apache 2.0 许可协议，可在本地、HuggingFace、vLLM 等环境中部署使用。
推荐理由：官方给出 7.3B 模型相对 Llama 2 13B 的推理、代码表现和部署路径，可作为 7B 级开源模型能力对比的参照。
Würstchen 是一款采用高度压缩隐空间的扩散图像生成模型，通过 42 倍空间压缩技术显著降低计算成本并提升生成速度。模型 v1 版本的训练成本仅 9,000 GPU 小时，较 Stable Diffusion 1.4 减少 16 倍，现已通过 Diffusers 库开放使用并支持 1024 至 1536 分辨率。
推荐理由：模型通过 42 倍空间压缩实现生成加速，其 9,000 GPU 小时训练成本大幅低于同类技术。
Hugging Face 正式发布 TII 开发的开源大语言模型 Falcon 180B，该模型拥有 1800 亿参数，使用了 3.5 万亿 tokens 进行预训练。
推荐理由：Falcon 180B 是当时最大的开源语言模型，在 Hugging Face 生态中提供了完整的部署和微调指南。
OpenAI 宣布开发者可使用自有数据对 GPT-3.5 Turbo 进行微调，以适配特定用例。同时，相关 API 进行了更新，支持这一自定义能力。
推荐理由：原文说明开发者可用自有数据定制 GPT-3.5 Turbo，读者可据此评估其微调能力。
Hugging Face 发布开源多模态模型 IDEFICS，该模型是对 DeepMind Flamingo 的开源复现，可处理图像和文本序列输入并生成文本输出。
推荐理由：该模型基于公开数据复现了专有视觉语言模型，并展示了红队测试与透明度实践。
Hugging Face 推出代码大语言模型 StarCoder，基座 StarCoderBase 在 The Stack 1.2 数据集上用 80+ 种语言、1 万亿 token 训练出 15B 参数模型，StarCoder 进一步在 35B Python token 上微调得到。
推荐理由：官方展示了模型在 HumanEval 等基准上超越同体量开源及闭源模型的成绩，并给出了多语言与辅助对话的应用潜力。
OpenAI发布GPT-4大模型，该模型为大型多模态模型，接受图像和文本输入并输出文本。尽管在许多现实场景中能力不及人类，但GPT-4在各类专业与学术基准测试中展现出人类水平的表现。
推荐理由：原文给出GPT-4的多模态定位和基准表现描述，读者可据此判断该模型在专业场景中的能力边界。
OpenAI 发布 Point-E 模型，该系统能够从复杂提示词生成 3D 点云。
推荐理由：官方发布3D点云生成模型，展示了从复杂提示词生成三维空间结构的技术能力。
OpenAI 发布能进行对话式交互的模型 ChatGPT，支持回答追问、承认错误、反驳错误前提并拒绝不当请求。
推荐理由：ChatGPT 官方首次介绍，明确了对话式交互和纠正错误、拒绝不当请求等能力边界。
OpenAI 训练并开源了名为 Whisper 的神经网络，其在英语语音识别上具备接近人类水平的鲁棒性和精度。
推荐理由：官方开源了具备类人鲁棒性和精度的英语语音识别模型。
Hugging Face 发布 176B 参数开源模型 BLOOM，支持 46 种自然语言和 13 种编程语言。该模型由 70 多个国家的 1000 余名研究者历时一年协作完成，并首次开放训练中间检查点与推理 API，支持学术界和独立开发者下载、运行及基于 Responsible AI 许可进行二次开发。
推荐理由：BLOOM 作为 176B 参数开源模型，开放了 46 种自然语言和 13 种编程语言的能力验证与二次开发入口。
OpenAI 发布了 InstructGPT 模型，该模型比 GPT-3 更擅长遵循用户意图，同时具有更高的真实性且毒性更低。InstructGPT 通过人类在环的技术进行训练，目前已成为 OpenAI API 的默认语言模型。
推荐理由：InstructGPT 将人类在环训练引入默认 API 模型，展示了提升指令遵循与降低毒性对齐的具体路径。
OpenAI 微调 GPT-3，利用文本网页浏览器回答开放性问题，以提升模型的事实准确性。
OpenAI 介绍了一种名为 CLIP 的神经网络，它通过自然语言监督高效学习视觉概念。CLIP 可用于任何视觉分类基准，只需提供要识别的视觉类别名称即可，具有类似 GPT-2 和 GPT-3 的零样本能力。
推荐理由：展示了通过自然语言监督学习视觉概念的方法，确立了零样本图像分类的新范式。
OpenAI 发布 Jukebox，这是一个能生成多风格、含基础演唱的原始音频音乐的神经网络模型。官方同时开源了模型权重、代码以及用于探索生成样本的工具。
OpenAI 发布 GPT-2 阶段发布计划的最后一版，即 1.5B 参数模型，并开放代码与模型权重，便于检测 GPT-2 模型输出。原文说明，尽管 8 月以来已有更大的语言模型发布，OpenAI 仍按原计划推进，希望这一完整的阶段发布实践能对未来开发强大模型的团队有帮助，并继续与 AI 社区讨论负责任的发布方式。
推荐理由：GPT-2 1.5B 作为阶段发布计划最后一版同步开放代码与权重，为社区提供了检测 GPT-2 输出的工具。
OpenAI 发布 7.74 亿参数的 GPT-2 语言模型，这是继今年 2 月发布 1.24 亿参数小模型、5 月发布 3.55 亿参数中等模型后的后续行动。官方同步推出开源法律协议以便机构建立模型共享伙伴关系，并发表技术报告说明与 AI 研究界协调发布规范的经验。
推荐理由：官方说明分阶段发布774M参数模型及开源协议，展示了协调AI社区处理潜在滥用的具体实践。