大型语言模型景观

上图显示了大型语言模型的出现引起的涟漪，可以分为六个带或区。随着这些涟漪的扩大，对产品和服务的要求和机会也随之而来。

其中一些机会已经被发现，一些还有待发现。我认为，与5区相比，6区作为产品被取代的危险更大。

第5区提供了更大的差异化机会、大量的内置知识产权和一流的用户体验，使企业能够利用LLM的力量。5区令人兴奋的发展包括量化、小语言模型、模型花园/中心和以数据为中心的工具。

就LLM而言，本质上LLM是语言绑定的，然而，在图像、音频等方面已经引入了多模态模型或多模态。这种转变催生了一个更通用的术语，即基础模型。

除了模式的增加之外，大型商业提供商还实现了模型多样化，提供了更针对特定任务的多种模型。还提供了大量开源模型。开源模型的可用性和性能带来了简单的无代码托管选项，用户可以通过无代码方式选择和部署模型。

新的提示技术说明了如何增强模型性能，以及市场如何朝着利用数据发现、数据设计、数据开发和数据交付来实现这种水平的模型自治的场景发展。

随着大型语言模型的出现，功能更加细分化……模型被训练用于特定任务。Models Sphere 和 Side 专注于知识问答；Meta 称之为 KI-NLP。像 DialoGPT、GODEL、BlenderBot 等模型则专注于对话管理。

还有一些模型专注于语言翻译、特定语言等。

LLMS的最新发展采用了一种模式，模型融合了这些特性，一个模型整合了大部分（如果不是全部）这些功能。除了这种令人震惊的表现之外，还可以使用不同的提示技术。

这里列出了LLMs的主要实现，文本生成包括摘要、改写、关键词提取等任务。

文本分析和 RAG 变得越来越重要，嵌入对于这些类型的实现至关重要。

语音识别，也称为 ASR，是将音频语音转换为文本的过程。任何 ASR 过程的准确性都可以通过称为字错误率 (WER) 的方法轻松测量。ASR 开放大量记录的语言数据供 LLM 培训和使用。

该区域的显着变化是：

• 知识回答和知识密集型 NLP (KI-NLP) 方法在推理时被 RAG 提示工程所取代。

• LLM的功能包括几个要素：对话与上下文管理、逻辑与推理、非结构化输入和输出、自然语言生成以及知识密集型基础模型。除了LLMs的知识密集特性之外，所有这些要素都被广泛利用。

• LLMs的基础知识密集特性正在被推断中的上下文学习策略所取代。这里最值得注意的是RAG，它是大多数技术提供商正在标准化的标准。

• 对话生成是由 GODEL 和 DialoGPT 等开发技术引领的。这些已被 ChatGPT、HuggingChat 和 Cohere Coral 等特定实现所取代。此外，还通过提示工程方法，其中使用提示中呈现的对话上下文进行少量训练。

该区域列出了一些特定用途的型号。如前所述，模型已不再那么特定于用例，并且模型已开始将多个（如果不是全部）这些元素合并到一个模型中。

这里列出了最显著的大型语言模型供应商。大多数LLMs都具有内置的知识和功能，包括人类语言翻译、解释和编写代码的能力，以及通过提示工程实现的对话和上下文管理。

其中一些模型供应商提供API，一些模型是开源的，可以免费使用。唯一的障碍是托管、管理和维护这些API。

这个领域考虑的是利用LLMs的工具，包括向量存储、游乐场和即时工程工具。像HuggingFace这样的托管服务通过模型卡片和简单的推断API实现了无代码交互。

在这个区域列出的是数据中心工具的概念，它专注于LLMs的可重复、高价值的使用。

这个领域的最新增加是本地离线推断服务器、量化和小型语言模型。

这个领域的市场机会在于创建基础工具，满足未来对数据交付、数据发现、数据设计和数据开发的需求。

在外围，有大量专注于流程构建、创意生成、内容和写作助手的应用程序。这些产品专注于用户体验，并在LLMs和用户体验之间增加不同程度的价值。