垂直领域大模型的应用更亲民_大模型在垂直领域的应用

在之前的文章有介绍过: 普通人(包括程序员)怎么follow大模型的发展和如何成为提示词工程师.通用大模型类似ChatGPT等,一般公司和程序员是无法超越。所以今天介绍一下大模型垂直领域的应用的做法.

1、通用大模型离我们有点距离

(1)、训练成本贵

国内证劵公司训练大模型花费的钱做过测算。起码100万美金以上，这对一些小型企业是没办法承担的。

(2)、技术积累时间长

冰冻三尺，非一日之寒，openai的成功并非偶然, ,而是背后无数的努力堆砌而成。

(3)、东施效颦

并不是每块落石，都能激起水花朵。失败是常态。chatgpt的成功是属于幸存者偏差，它的成功，不一定代表所有人都能成功，即使成功也不一定超越过。

(4)、通用模型在生产效率上有受限

虽然2023年以来几乎很多公司都发出了自己的通用大模型，但是都还停留在“开放闲聊”阶段，这种泛娱乐的方式带来生产率是有限的。所以，以“开放闲聊”为产品形态的ChatGPT为例，“尝鲜“的流量在6月达到巅峰之后，就开始了出现下滑。

2、国内垂直领域应用和发展现状

人们需要的是能帮助我们实实在在地解决问题，能提高生产力和工作效率的工具。

下面的垂直领域应用的模型,基本上覆盖我们生活的方方面面：

当然不止上面所列的应用.更多请关注我

3、一般垂直大模型怎么做

Continue PreTraining: 一般垂直大模型是基于通用大模型进行二次的开发。为了给模型注入领域知识，就需要用领域内的语料进行继续的预训练。

SFT: 通过SFT可以激发大模型理解领域内的各种问题并进行回答的能力(在有召回知识的基础上)。

RLHF: 通过RLHF可以让大模型的回答对齐人们的偏好，比如行文的风格。

4、总结

一般垂直领域大模型不会直接让模型生成答案，而是跟先检索相关的知识，然后基于召回的知识进行回答。这种方式能减少模型的幻觉，保证答案的时效性，还能快速干预模型对特定问题的答案。

参考文章

https://blog.nghuyong.top/2023/08/26/NLP/llm-domain-specific/

https://github.com/hiyouga/LLaMA-Factory

https://github.com/HqWu-HITCS/Awesome-Chinese-LLM

https://github.com/liguodongiot/llm-action

https://writerbuddy.ai/blog/ai-industry-analysis

https://zhuanlan.zhihu.com/p/613665464