- Lecutre 1: ChatGPT账号注册
- Lecture 2: 基本概念和常用工具
- Lecture 3: 收费说明
- Lecture 4: ChatGPT API帮助手册
- FAQ: 常见问题
- ChatGPT API重大升级
- GPT-4 API全面开放使用
- ChatGPT最佳实践系列-第1篇
- ChatGPT最佳实践系列-第2篇
- ChatGPT最佳实践系列-第3篇
- ChatGPT最佳实践系列-第4篇
- ChatGPT最佳实践系列-第5篇
- ChatGPT最佳实践系列-第6篇
- ChatGPT最佳实践系列-第7篇
- OpenAI在寻找数据合作伙伴啦
- 一文读懂GPT Store
- OpenAI发布ChatGPT Team
- OpenAI发布新的embedding模型和API更新
- OpenAI发布史上最强大的文生视频模型Sora
- OpenAI发布全新大模型o1
| 模型 | 能力 | 备注 |
|---|---|---|
| GPT-4o | 输入：文、图、音频、视频 输出：文、图、音频 |
API目前(2024.05.18)只能使用GPT-4o的文->文和图->文能力 https://openai.com/index/hello-gpt-4o/ |
| GPT-4 Turbo、GPT-4 | 文->文、图->文 | chat completions API支持图片作为input |
| GPT-3.5 | 文->文 | 不支持 图->文 |
| DALL.E 3 | 文->图 | 暂时不支持图生图 |
| DALL.E 2 | 文->图、图->图 | DALL.E 2有图片编辑或者生成已有图片变种的功能 |
| TTS | 文 -> 音频 | |
| Whisper | 音频->文 |
OpenAI每个API支持哪些模型可以参考如下官方说明：
https://platform.openai.com/docs/models/model-endpoint-compatibility
比如文生图的API /v1/images/generations只支持DALL.E 3和DALL.E 2这2个模型，图片编辑API v1/images/edits和图片变种API v1/images/variations只支持DALL.E 2模型。
海外大模型主要玩家：
- OpenAI: GPT
- Google: Gemini
- Meta: LLAMA
- Anthropic: Claude
在比较模型能力的时候，海外主要对标这几家公司的大模型
比如Anthropic比较各家模型能力：https://www.anthropic.com/news/claude-3-family
比如OpenAI比较各家模型能力：https://openai.com/index/hello-gpt-4o/
| Model | 作者 | 参数量 | 训练数据量(tokens) | 训练成本 | 对中英文的支持 |
|---|---|---|---|---|---|
| Llama-1 | Meta | 包括 70 亿、130 亿、330 亿、650 亿 4 种参数规模 | 1.4万亿 | 2048个A100 GPU | 中英文 |
| Alpaca | Stanford | 70亿 | 52k条问答指令数据，指令数据来源于OpenAI的API返回结果 | 500美元数据成本+100美元训练成本 | 中英文 |
| Vicuna | UC Berkeley, CMU, Stanford, UCSD and MBZUAI | 130亿 | 70k条问答指令数据，指令数据来源于用户分享出来的对话记录 | 300美元 | 中英文 |
| Koala | UC Berkeley | 130亿 | 500k条问答直录功能数据，指令数据来源于网上公开数据集 | 在公共云计算平台上，预期训练成本不超过100美元。一台 Nvidia DGX 服务器与8个A100 GPU，需要6个小时训练完成2个epochs。 | 中英文 |
| Llama-2 | Meta | 70亿、130亿和700亿参数规模 | 2万亿 | A100集群 | 中英文 |
| Bloom | BigScience | 1760亿 | 3660亿 | 384 80GB A100 GPUs 训练3.5个月数据来源 | |
| Bloomz | 1760亿 | ||||
| BLOOMChat | SambaNova and Together | 1760亿 | OIG from OpenChatKit , Dolly 2.0, and OASST1 datasets | 基于Bloom在指定数据集上做fine tune | 中英文 |
| StableLM | Stability AI | 30亿、70亿、150亿和300亿 | 1.5万亿 | 未公布 | 英文 |
| Dolly 2.0 | Databricks | 120亿 | 15k条问答指令数据，指令数据来源于Databricks员工 | 不到30美元 | |
| ChatGLM/ChatGLM2 | 清华大学KEG 实验室和智谱AI | 60亿和1300亿共2种参数规模 | 4000亿左右，中文和英文token各2000亿 | 数百万人民币 | 中英文 |
| 鹏程·盘古α | 鹏程实验室、华为 | 26亿、130亿和2000亿共3种参数规模 | 2500亿 | 2048 块昇腾处理器 | 中英文 |
| MOSS | 复旦 | 160亿参数 | 约7000亿中英文 | 未公布。整体技术偏弱一些，暂时无法和ChatGLM相比。 | 中英文 |
| MPT | Mosaic ML | 70亿参数 | 1万亿 | 20万美金，训练9.5天，详细介绍 | |
| baichuan-7B | Baichuan-Inc | 70亿参数 | 1.2万亿 | 千卡A800集群，成本未知 | 中英文 |
| baichuan-13B | Baichuan-Inc | 130亿参数 | 1.4万亿 | 千卡A800集群，成本未知 | 中英文 |
- Alpaca, Vicuna, Koala都是基于Llama-1衍生而来的，Llama-1目前仅用于学术、社会公益项目，不能用于商业化项目。
- Llama-2不仅可以用于学术研究，还可以用于商业化。
- Dolly 2.0是基于15k指令数据做fine-tune，其依赖的base model是 EleutherAI’s Pythia-12b。
- MPT-7B可商用。
- baichuan-7B和baichuan-13B可商用，支持中英文。
- ChatGLM和ChatGLM2可以商用。