随着这几年大模型的飞速发展，出现的大模型产品也眼花缭乱，如果你以为大模型就是GPT或者kimi一类的，只能生成文本，那可就太out了。
今天咱们根据大模型的不同纬度进行分类，相信看了这篇文章之后，对于乱花渐欲的大模型再也不会迷茫了。
废话不多说，直接上图。
按照参数量分类
按照大模型的分类，可以分为大、中、小模型。其实严格意义来讲，参数到百万没超过1亿以上的小模型不属于大模型领域的范畴！
但是小模型的优势就是快速轻便，为了解决某一任务的需求还是可以的。
按照类型分类
按照任务类型，大模型可以分为生成式模型、判别式模型和混合模型。
以下是它们的定义、主要特点、应用场景和优缺点的总结表格：
按照数据模态分类
按照数据模态分类，可以分为单模态和多模态两种类型。
单模态模型在处理某种特定类型的数据时表现出极强的专注性和优化能力，适合较为专一的任务场景。
而多模态模型则能够整合和处理多种类型的数据，具备更广泛的应用场景和复杂任务的处理能力。
上图是openai的clip的多模态描述，还是挺挺挺深奥的！区别看下图是不是就简单很多了！
按照应用领域分类
目前绝大部分行业细分赛道，都是按照应用领域来细分。包括我们经常听到的：AI语音、AI绘画、AI视频等赛道！
从大的类型可以分为自然语言处理类模型、计算机视觉模型以及语音处理模型。
这些模型都有各自的应用场景和知名模型，比如GPT在文本生成方面出色，CLIP能同时处理图像和文本。想解决哪类问题，选对模型才是关键！
按照模型架构分类
大模型主要有三种架构，每种架构都有自己独特的优势。
Encoder-Decoder架构适合处理生成类任务，如翻译或摘要；
Encoder-only架构则用于理解和分类任务；
Decoder-only架构擅长生成文本或语音，特别适合对话和创意生成任务。
总结
AI是个大类，大模型只是AI的一类，细分领域有很多赛道。今天只是抛砖引玉了一下。
会写个提示词prompt、会用SD做个绘画、用可灵生成个视频等严格意义不算真正的AI。
所以，有时候我也会默默地问自己：你在搞个鸡毛的AI !!!
更多有趣的内容，欢迎关注我的公众号！
原文始发于微信公众号（大瑜聊AI）：还以为大模型就是GPT？带你快速掌握背后的分类体系！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
文章由极客之音整理，本文链接：https://www.bmabk.com/index.php/post/314341.html
