博客导读：
《AI—工程篇》
AI智能体研发之路-工程篇（一）：Docker助力AI智能体开发提效
AI智能体研发之路-工程篇（二）：Dify智能体开发平台一键部署
AI智能体研发之路-工程篇（三）：大模型推理服务框架Ollama一键部署
AI智能体研发之路-工程篇（四）：大模型推理服务框架Xinference一键部署
AI智能体研发之路-工程篇（五）：大模型推理服务框架LocalAI一键部署
《AI—模型篇》
AI智能体研发之路-模型篇（一）：大模型训练框架LLaMA-Factory在国内网络环境下的安装、部署及使用
AI智能体研发之路-模型篇（二）：DeepSeek-V2-Chat 训练与推理实战
AI智能体研发之路-模型篇（三）：中文大模型开、闭源之争
AI智能体研发之路-模型篇（四）：一文入门pytorch开发
目录
一、引言
二、中文开/闭源大模型概览
三、开源大模型
3.1 优点
3.2 缺点
四、闭源大模型
4.1 优点
4.2 缺点
五、总结
一、引言
周日休息在家，只有码字才能缓解焦虑哈哈哈，闲逛CSDN发现又出新的话题活动啦——《开源大模型和闭源大模型，你怎么看》。“我怎么看？我坐着看，或者躺着看”。OpenAI变成CloseAI，你会发现，虚伪，是全世界的通病。扯远了哈哈，我认为，开源可以短时间让自家的大模型快速得到传播，构建影响力以及让行业内更多的人参与建设，完善技术栈。闭源可以维护较为健康的商业模式，高薪招聘更多优秀的人才继续进行迭代升级。存在即合理，从ios vs android，打到GPT4 vs LLama3，可能永远不会有胜负。今天我们详细聊聊中文大模型开闭源的那些事。
二、中文开/闭源大模型概览
大家先看《2024年中文大模型全景图》，对国内中文大模型开闭源情况有个概念。
Tips：图片引自SuperCLUE中文大模型基准测评2024年4月报告，国内领先的大模型评测公司，高中室友创办的，没想到毕业多年，兜兜转转进入到了一个行业，如需合作需要可以联系我哈
闭源大模型：主要有文心一言、通义千问、腾讯混元、字节云雀、MINIMAX、GLM-4、Baichuan4、Moonshot月之暗面等。
开源大模型：主要有baichuan2-13B-Chat、ChatGLM3-6B、Qwen1.5、Chinese-LLaMA-Alpaca-3等。
从商业模式上讲，又可以分为3类。
- 以百度、MINIMAX为代表的完全闭源大模型：只提供商业化接口，高版本收费、低版本免费。
- 以阿里为代表的部分开源、部分闭源：既提供商业化接口，又提供开源模型，两条腿走路，并驾齐驱都在升级迭代。
- 以百川为代表的前期低版本开源、后期高版本闭源：前期通过baichuan-13B、baichuan2-13B快速打出名气，后来更高版本的baichuan3、baichuan4只提供商业化接口。
目前国内大模型发展可以用“兵荒马乱”来形容，谁能在最后杀出重围，还需要时间去考量，下面针对开、闭源的优缺点，谈一谈个人想法。
三、开源大模型
3.1 优点
1、创新和灵活性：开源模型鼓励创新，研究人员和开发者可以自由探索和改进模型，推动技术的发展。
2、社区协作：开源社区的力量不可忽视，众多开发者共同参与，能够快速发现和解决问题，加速模型的优化和完善。
3、低成本和可访问性：开源模型通常是免费的，降低了使用门槛，使更多人能够受益于先进的技术。
4、透明度和可解释性：源代码公开，有助于更好地理解模型的工作原理，提高模型的可解释性和可信度。
5、适应多样化需求：开源模型可以根据不同的应用场景和需求进行定制和扩展，满足个性化的要求。
3.2 缺点
1、质量和稳定性：由于开源模型的开发和维护分散，质量和稳定性可能存在一定的差异。
2、缺乏商业支持：开源模型通常没有商业公司提供的专业支持和服务，在遇到问题时可能需要自己解决。
3、训练和部署难度：对于一些复杂的大模型，训练和部署可能需要较高的技术水平和计算资源。
4、数据隐私和安全：开源模型可能涉及数据的共享和使用，需要注意数据隐私和安全问题。
5、知识产权风险：在使用开源模型时，需要注意遵守相关的开源协议，避免知识产权纠纷。
四、闭源大模型
4.1 优点
1、质量和稳定性保障：闭源模型通常由专业的团队开发和维护，经过严格的测试和验证，质量和稳定性相对较高。
2、商业支持和服务：商业公司提供闭源模型时，通常会附带专业的支持和服务，包括培训、技术支持等。
3、易于使用和集成：闭源模型通常提供了友好的用户界面和 API，便于开发者使用和集成到自己的系统中。
4、数据隐私和安全保护：商业公司通常会采取措施保护用户的数据隐私和安全。
5、持续更新和改进：商业公司会不断对闭源模型进行更新和改进，以提供更好的性能和功能。
4.2 缺点
1、成本较高：闭源模型通常需要用户购买许可证或订阅服务，成本相对较高。
2、缺乏透明度：用户无法直接查看模型的源代码，对模型的工作原理和内部机制了解有限。
3、定制和扩展性受限：闭源模型的定制和扩展性可能受到一定的限制，无法完全满足个性化需求。
4、社区参与度低：相比开源模型，闭源模型的社区参与度较低，开发者之间的交流和合作相对较少。
5、依赖供应商：用户对闭源模型的使用和发展较为依赖供应商，一旦供应商出现问题，可能会影响用户的使用。
五、总结
可以看到，开源和闭源模型各有其优缺点，选择适合自己需求的模型需要综合考虑多方面因素。在实际应用中，可以根据具体情况权衡利弊，并结合自身的技术能力和资源来做出决策。此外，随着技术的不断发展，开源和闭源模型的界限也在逐渐模糊，一些商业公司也开始采用开源的模式来推动技术的进步。
对于AI智能体开发而言，个人实际工作中，既使用闭源商业化接口，首先是省心，不用自己申请机器、部署、维护模型服务；其次是省钱，相较于购买GPU显卡，价格战下的商业接口便宜的可怕；最后是真的很好用，一般商业化的接口模型尺寸都要高于开源版，Agent开发过程中调用一些Tools就能达到极好的效果。又使用开源微调私有化部署模型，首先是安全，考量到数据安全，业务数据轻易不能外漏，安全意识很重要，如果外泄未来可能是雷区；其次是可微调，使用较大尺寸的模型，配以精选后的微调数据，画风上明显会有一定提升；最后是杀鸡焉用牛刀，对于一些简单任务，比如任务判断、工具选择、文本处理等一些简单但重复度高的工作，使用私有化部署的模型，长期看是可以节约成本的。
本文首先对国内中文大模型开闭源情况进行概述，其次区分开源、闭源分析优缺点，最后谈了谈工作中的感想，期待您的关注与互动噢，如果还有时间，可以看看我的其他文章：
《AI—工程篇》
AI智能体研发之路-工程篇（一）：Docker助力AI智能体开发提效
AI智能体研发之路-工程篇（二）：Dify智能体开发平台一键部署
AI智能体研发之路-工程篇（三）：大模型推理服务框架Ollama一键部署
AI智能体研发之路-工程篇（四）：大模型推理服务框架Xinference一键部署
AI智能体研发之路-工程篇（五）：大模型推理服务框架LocalAI一键部署
《AI—模型篇》
AI智能体研发之路-模型篇（一）：大模型训练框架LLaMA-Factory在国内网络环境下的安装、部署及使用
AI智能体研发之路-模型篇（二）：DeepSeek-V2-Chat 训练与推理实战
AI智能体研发之路-模型篇（三）：中文大模型开、闭源之争
AI智能体研发之路-模型篇（四）：一文入门pytorch开发
