大模型分类与层级思维导图

这是一篇关于大模型分类与层级思维导图的思维导图，通过思维导图的形式清晰地展示了大模型的分类与层级，以及各类大模型的特点和应用场景。

大模型分类与层级思维导图

• 一、大模型分类
  • 语言大模型（NLP）
    • 定义：用于处理文本数据和理解自然语言
    • 特点：在大规模语料库上训练，学习语法、语义和语境规则
    • 应用：文本生成、机器翻译、情感分析等
    • 典型例子：
      • GPT系列（OpenAI）
      • Bard（Google）
      • 文心一言（百度）
  • 视觉大模型（CV）
    • 定义：用于图像处理和分析
    • 特点：在大规模图像数据上训练，实现视觉任务
    • 应用：图像分类、目标检测、图像分割、姿态估计、人脸识别等
    • 典型例子：
      • VIT系列（Google）
      • 文心UFO
      • 华为盘古CV
      • INTERN（商汤）
  • 多模态大模型
    • 定义：处理多种数据类型（文本、图像、音频等）
    • 特点：结合NLP和CV能力，综合理解和分析多模态信息
    • 应用：多模态内容生成、跨模态检索等
    • 典型例子：
      • DingoDB多模向量数据库（九章云极DataCanvas）
      • DALL-E（OpenAI）
      • 悟空画画（华为）
      • Midjourney
• 二、大模型层级
  • 通用大模型L0
    • 定义：可在多个领域和任务上通用的大模型
    • 特点：
      • 使用海量开放数据和巨量参数训练
      • 在大规模无标注数据上寻找特征和规律
      • 强大的泛化能力，可“举一反三”
      • 可在不进行微调或少量微调的情况下完成多场景任务
    • 比喻：AI完成了“通识教育”
  • 行业大模型L1
    • 定义：针对特定行业或领域的大模型
    • 特点：
      • 使用行业相关数据进行预训练或微调
      • 提高在该领域的性能和准确度
    • 比喻：AI成为“行业专家”
  • 垂直大模型L2
    • 定义：针对特定任务或场景的大模型
    • 特点：
      • 使用任务相关数据进行预训练或微调
      • 提高在该任务上的性能和效果
    • 比喻：AI成为“任务专家”