大语言模型发展现状及中外大语言模型发展状况对比 中国大语言模型正处于追赶阶段【组图】

（原标题：大语言模型发展现状及中外大语言模型发展状况对比 中国大语言模型正处于追赶阶段【组图】）

行业主要上市公司：百川智能(A04400.SH)、昆仑万维(300418.SZ)、拓维信息(002261.SZ)、浪潮信息(000977.SZ)、科大讯飞(002230.SZ)等

本文核心数据：国内外主要大语言模型数据;中外代码预训练模型对比表;大语言模型研发技术国内外主要研究机构及代表性成果等

国内外主要大语言模型数据集

得益于开源共创的互联网生态，海外已有大量优质、结构化的开源数据库，文本来源既包含严谨的学术写作、百科知识，也包含文学作品、新闻媒体、社交网站、流行内容等，更加丰富的语料数据能够提高模型在不同情景下的对话能力。而受制于搭建数据集较高的成本以及尚未成熟的开源生态，国内开源数据集在数据规模和语料质量上相比海外仍有较大差距，数据来源较为单一，且更新频率较低，从而导致模型的训练效果受限。因此，大模型厂商的自有数据和处理能力构成模型训练效果差异化的核心。受益于移动互联网时代积累的海量用户、应用和数据，互联网企业在自有数据上更具特色化和独占性，叠加更强大的数据处理能力，从而能够通过数据优势带来模型训练成果的差异。例如，阿里在研发M6时，构建了最大的中文多模态预训练数据集M6-Corpus，包含超过1.9TB图像和292GB文本，涵盖百科全书、网页爬虫、问答、论坛、产品说明等数据来源，并设计了完善的清洁程序以确保数据质量。百度ERNIE模型的训练数据集中也运用了大量百度百科、百度搜索以及百度知识图谱等生态内数据，通过更高质量的数据保障了模型的训练效果。

代码预训练模型正成为新的热点

同样，预训练语言模型就是预训练方法在自然语言处理领域中的应用，本质上是对自然语言的表示学习，是将自然语言转化为让机器可以处理的数据表达形式。预训练语言模型先通过大量的语料(通常是无标注的数据)进行训练，得到一个通用的语言表征模型，然后再使用面向具体任务的少量语料，就可以完成下游任务的训练。近年来，代码预训练模型正在成为一个新的热点，并且与语言大模型的发展不可分割，这些模型在代码相关任务上已经展示了出色的性能。

注：该图表数据截至2024年1月。

中国大语言模型研究已取得一定成果

语言大模型研发技术国内外情况差异较大，尽管国内大语言模型研究已取得了一定成果，但与美国仍然具有一定差距，尤其在端到端语言大模型研发技术，中国暂没有比肩美国的成果。

国内外主要大语言模型研发路径与技术对比

在大语言模型(LLMs)的全球竞技场中，ChatGPT与Google的Gopher、LaMDA，以及Meta的Llama等构成了国际标杆，而国内则由百度的“文心一言”、360的大语言模型、阿里的“通义千问”和商汤的“商量”等引领潮流。从对话和文本生成能力的角度，ChatGPT暂居优势，但这并非因为技术壁垒不可逾越。实际上，Google等国外企业因战略和技术理念选择了不同的发展路径，这是其暂时落后的主因。随着新技术的不断涌现，赶超ChatGPT并非不可能。相对而言，百度等国内企业在数据集、计算能力和工程化方面存在短板，短期内难以实现对国外模型的迎头赶上，这更多地需要国内AI产业全链条的协同进步。

在影响大语言模型性能的因素方面，训练数据、模型规模(即参数数量)、生成算法和优化技术被认为是核心变量。然而，如何准确量化这些因素对模型性能的具体影响，目前还处于探索阶段，没有明确的结论。总体来看，世界顶级的大语言模型在技术层面上尚未拉开明显的差距。

注：该图表数据截至2024年1月。

国内外大语言模型商业化路径对比

在战略业务拓展方面，ChatGPT已经形成了明确且差异化的商业路线，主要围绕API、订阅制和战略合作(例如与微软的Bing、Office等软件的嵌入合作)三大营收模式，在用户数据积累、产品布局和生态建设等方面已具备明显的先发优势。而Google由于其主营业务是搜索引擎，对于聊天机器人等产品的发展相对保守，更注重利用大模型能力来推动“模型即服务”范式，以拓展其在云服务市场的份额。作为国内大模型的标杆企业，百度的战略更接近Google，主要针对B端市场，通过全栈优势来构建全链能力