文章目录
运行LLMS
LLM APIS
由于硬件要求高，运行大型语言模型（LLMs）可能会很困难。根据您的用例，您可能只想通过API（如GPT-4）使用模型，或者在本地运行它。
OpenAI的ChatGPT API - 提供基于GPT-3模型的文本生成和对话能力。
Bard API - 可能是指由Google开发的一个LLM API，用于生成文本和对话。
GooseAI - 搜索结果中没有提供详细信息，但GooseAI可能是一个提供自然语言处理服务的API。
Cohere API - 提供文本生成、摘要、翻译等功能。
Gorilla - 一个开源的、最先进的LLM，能够从自然语言提示生成准确可靠的API调用。
RestGPT - 一个将大型语言模型与现实世界中的RESTful APIs连接起来的框架。
国内的模型：
百度的文心一言API - 具备跨模态、跨语言的深度语义理解与生成能力。
阿里云的通义千问API - 能够在用户自然语言输入的基础上，提供服务和帮助。
腾讯的混元大模型API - 在自然语言处理、文本生成、机器翻译等领域具有广泛的应用。
科大讯飞的星火认知大模型API - 在多个方面如文本生成、语言理解等提升了性能。
字节跳动的云雀大模型API - 具备多种功能和应用场景，通过自然语言交互，能够高效地完成互动对话、信息获取等任务。
智谱华章的智普清言API - 具有强大的自然语言处理和多模态理解能力。
中科院的紫东太初API - 在自然语言处理、文本生成、机器翻译等领域具有广泛的应用
开源的大语言模型
Grok-1：由马斯克旗下的人工智能初创公司xAI训练，参数量高达3140亿，是迄今为止参数量最大的开源大模型。
Llama：由Meta公司发布，参数量为700亿。
LLaMA 2 - 由Meta AI（原Facebook AI）发布的开源大型语言模型，具有不同规模的版本，从7亿到700亿参数。
BLOOM - 由BigScience和Hugging Face合作开发的自回归LLM，拥有176亿参数，支持多种语言。
BERT - 由Google开发的开源双向编码器表示模型，是Transformer架构的早期实现之一，广泛应用于各种NLP任务。
Falcon 180B - 由阿拉伯技术创新研究所发布的模型，具有1800亿参数，旨在缩小专有和开源LLM之间的性能差距。
OPT-175B - Meta AI发布的一系列预训练Transformer模型，参数范围从125M到175B，其中175B版本性能与GPT-3相似。
XGen-7B - Salesforce推出的模型，专注于支持更长上下文窗口的工具，具有7亿参数。
GPT-NeoX 和 GPT-J - 由EleutherAI开发的开源替代品，参数量分别为20亿和6亿，训练自22个高质量数据集。
Vicuna 13-B - 一个开源对话模型，通过使用从ShareGPT收集的用户共享对话对LLaMa 13B模型进行微调而训练而来。
此外，还有一些针对特定语言或领域的开源LLM，例如：
ChatGLM-6B - 支持中英双语的对话语言模型，针对中文进行了优化。
MOSS - 支持中英双语的对话大语言模型，具有160亿参数。
CPM-Bee - 完全开源、允许商用的百亿参数中英文基座模型。
LaWGPT - 基于中文法律知识的大语言模型。
本草 (BenTsao) - 基于中文医学知识的LLaMA微调模型。
这些开源LLM为研究人员和开发者提供了丰富的资源，可以用于各种自然语言处理任务，如文本生成、问答系统、机器翻译等。开源LLM的可用性和灵活性促进了NLP领域的创新和发展
Prompt engineering
Prompt engineering 是指设计和优化输入文本（称为prompt）以引导大型语言模型（LLM）生成特定输出的过程。在自然语言处理（NLP）中，特别是在使用基于Transformer的模型（如GPT-3、BERT等）时，prompt engineering 是一个关键的技能，因为它可以显著影响模型的输出质量和相关性。
以下是一些prompt engineering的关键方面和技巧：
1. 明确目标
在设计prompt之前，你需要明确你希望模型执行的任务。是生成文本、回答问题、翻译语言、还是其他任务？明确的目标将帮助你构建更有效的prompt。
2. 理解模型能力
不同的模型可能在不同的任务上表现更好。了解你的模型擅长什么，以及它的训练数据包含哪些内容，可以帮助你设计更合适的prompt。
3. 使用示例
提供一个或多个相关示例可以指导模型理解你期望的输出格式。这种方法被称为“零样本”或“少样本”学习。
4. 精确和具体的指令
尽量使prompt精确和具体，避免模糊不清的语言。这有助于模型生成更准确和相关的输出。
