前两个月国产类ChatGPT大模型如雨后春笋，为何最近都没声音了?

比如百度的文心一言，阿里的通义千问，讯飞的星火

历史课本上还在嘲笑闭关锁国
殊不知新型的闭关锁国已经开始了

谢邀。
国内国外大模型的本质区别：

• 国内先搞一波小参数的大模型，PR一定要cover机器之心、新智元、量子位，然后宣城自己的130b模型超越了gpt4，并在自己的榜上发布测评结果，成功超越gpt4。最后一堆商业公司来买130b的模型，这就算是创业成功了，毕竟一套价格不菲，几千万。
  
• 国外套路可能稍微简单一点，就是想复刻stablediffusion的火热，奈何LLM动辄几十GB的模型还是比较难玩的动，加上没有美女ai图这样的流量密码不太好推广，最终就只剩下openai和inflection以及claude等闭源商业公司这样的寡头。顺带没事喷一喷国内的研究者总是发布达到chatgpt4 106%能力的工作，人家一更换测评数据集就泯然众人矣了。
  

以上就是当下的一个大模型国际全貌

总结成一句话就是：除了GPT-3.5/4之外的大语言模型(LLM)，智能都不够高，离落地还有一定的距离。好好炼丹才是王道，智能上不去，宣传再多也不会有人买账。
和很多业务团队一样，过去的几个月我们一直在尝试LLM的B端落地。但目前的进展并不理想。以下是一些前线战报：
闭源LLM的落地情况

目前闭源LLM里能真正商用的只有GPT-3.5/4，实测其他模型的表现都不太好。
使用闭源模型的最大问题是信息安全的挑战，很多企业都严格禁止把核心业务数据发给外部的LLM。
如果没有和OpenAI签署特殊的保密协定，你发给GPT的每一个token都有可能被用来训练下一代模型。试问谁敢乱发业务数据给GPT呢？
所以现在B端落地的都是企业的周边业务，比如简单的客户聊天机器人、总结一些email内容、爬个网站总结内容之类的助手类软件。
以上是我看到的现状。当然少数企业已经在和OpenAI进行深度合作，这些企业暂且不谈。
开源LLM的落地情况

我们基本把业界呼声比较高的开源LLM都测了个遍，过程就不细说了，只说一些结论：
1. 目前(2023-06-23) 所有的开源LLM智能都不够高，输出不稳定，落地难度很大，所以还需要各路炼丹师继续努力。
2. 很多模型只是宣传的好，实际上就是吞噬显存的人工智障，这类模型以Dolly-V2为代表，基本没有办法正常交流。
3. 一些模型在日常交流中表现良好，但放到垂直领域还是不太行，这类模型以Vicuna为代表。受限于token数量，现在业界的普遍玩法是LLM+垂直知识库，再使用一些稀奇古怪的咒语 (Prompts)来指导LLM完成任务。有点能力的团队都能把POC (Proof of Concept)做出来，但如果想放在复杂的生产环境中使用，预计会遇到很多很多问题。
4. 由于商业许可的限制，表现好的模型(比如Vicuna)大多不能商用，只能用来做实验，这也是制约落地的一个关键因素。
5. 在需要高度精密的业务场景下，无论是GPT-4还是其他模型，都暂时不可用，因为输出结果不可预测，精度无法保障。
6. 现阶段学会念咒(prompt engineering)很重要，好咒语可以让LLM的输出接近它的智能上限。不会念咒你很可能得到一些奇奇怪怪的输出。每个模型的喜好都不太一样，这和炼丹手法有关系，找到最适合模型的咒语，需要很多人力来反复试验。
7. 国产开源LLM还是挺能打的，比如ChatGML，在垂直领域的表现比Vicuna还要好。
8. 不要指望把整个垂直知识库塞到模型里做fine tune，这需要很高的成本和优秀的炼丹手法。作为业务团队，我们能做的只是让LLM学习一些我们提问的方式以及预期的回答格式。有时候光靠念咒不够，还是需要一些低成本的fine-tune。

因为碳基智能比人工智能便宜

人家自己做出来的东西不给抄就是卡他脖子