不用自备显卡，在线免费体验八个开源大语言模型！

Vicuna

一款类似ChatGPT的聊天助手，基于用户分享的跟LLaMA的对话数据做微调而得来，训练成本约为300美元。

评估结果显示，Vicuna-13B在超过90%的情况下，都比LLaMA和斯坦福羊驼(Stanford Alpaca)表现要好。另外，其质量水平达到了OpenAI ChatGPT和Google Bard九成以上的水准。

Koala（考拉）

也是类似ChatGPT的聊天助手，由用户分享的与LLaMA的对话数据和开源数据集上微调得来。

与ChatGPT和斯坦福的Alpaca进行了比较，Koala能够有效地回应各种用户的问题，做出的回应经常比Alpaca更好，在50%以上的概率中与ChatGPT表现不相上下。

Koala（考拉）的出现表明，如果在精心收集的数据上进行训练，那些小到可以在本地运行的模型也可获得比肩同类大模型的表现。

换句话说，如果投入更多精力来策划高质量的数据集，可能比单纯增加系统规模更有助于训练处更安全、更真实和更强的模型。

值得注意的是，Koala（考拉）是一项研究的原型，它在内容、安全性和可靠性方面仍有很大的缺陷，不建议用在研究以外的场景。

Open Assistant

这是一个面向所有人的对话式 AI，其目标是成为像Stable Diffusion一样有影响力的开源模型，因此，它也是免费可用的，其目标是在消费级硬件上运行。

Open Assistant 是由 LAION 和全球贡献者组织的项目。官网介绍中提到，Open Assistant处于研发的初期阶段, 正在研究将RLHF应用于 LLM。

除了像用ChatGPT一样用它，用户也可以对模型生成的数据进行评价，公户贡献的这些反馈有助于提高模型的公正客观，少一点偏见。

Dolly

由Databricks开源的指令优化的大语言模型。

Dolly 2.0是一个基于EleutherAI pythia模型系列的12B参数的语言模型，特意在一个新的、高质量的人类生成的指令跟随数据集上进行微调得来。

Dolly目前有两个版本，Dolly1.0用了OpenAI的数据所以没法开源。最新的Dolly 2.0开源的很彻底，可供研究和商业使用。

目前，Databricks开放了Dolly 2.0的全部内容，包括训练代码、数据集和模型权重，所有这些都可免费商用，无需付费。

ChatGLM

清华团队开源的中英双语对话语言模型——ChatGLM-6B，结合模型量化技术，用户可以在消费级的显卡上进行本地部署（INT4 量化级别下最低只需 6GB 显存）。

经过约 1T 标识符的中英双语训练，辅以监督微调、 反馈自助、人类反馈强化学习等技术的加持，62 亿参数的 ChatGLM-6B 虽然规模不及千亿模型，但大大降低了用户部署的门槛，并且已经能生成相当符合人类偏好的回答。

StableLM

Stability的大语言模型，Stability此前的项目就是大名鼎鼎的Stable Diffusion（文章头图就是我用它生成的，感兴趣的可以私信，我分享给你我自己训练的LoRa）。

StableLM将包含6个不同大小的模型，目前开放下载的只有30亿和70亿参数规模两种，150亿、300亿以及650亿的还在开发当中，1750亿参数的还在计划当中。

StableLM-Alpha是从The Pile数据集基础上训练而来的，将原始的Pile数据集放大了三倍，用1.5万亿个文本做训练。

Stability还用斯坦福大学的Alpaca对模型进行了微调，微调使用的数据集来自与几个AI模型的对话，包括斯坦福大学的Alpaca、Nomic-AI的gpt4all、RyokoAI的ShareGPT52K、Databricks labs的Dolly和Anthropic的HH。

Alpaca

Alpaca 7B是一个从LLaMA 7B模型中微调出来的关于52K指令跟随演示的模型。

评估显示，Alpaca的表现与OpenAI的text-davinci-003在质量上相似，同时模型本身又出奇的小，可以以很低的成本复制。

Alpaca是斯坦福大学关于指令跟随语言模型的研究结果，目前，Alpaca只用于学术研究，禁止任何商业使用。

LLaMA

这是一个开放和高效的基础语言模型，具有从70亿到650亿多种规模参数。

LLaMA在数以万亿计的标记上训练而来模型，它的出现证明了，即使是完全使用公开的数据集也能训练出最先进的模型，而不必求助于专有数据集。

实测数据显示，LLaMA-13B在大多数基准测试上都超过了GPT-3，而LLaMA-65B与最好的模型Chinchilla-70B和PaLM-540B相比也有竞争力。

网站目前知道的人不多，资源相对充裕，等候的时间不需要太长，感兴趣的朋友可以自己试试。

访问地址：

除了单独体验某一个具体的模型，还可以进入对比模式，看看两个模型哪个表现更好。

用户可以做出反馈评价，这可能也有助于模型的优化和迭代。

截止发稿前后，该网站又改版了，将模型PK的模式分成了两种（Battle模式和side-by-side模式）：

第一种，Battle模式下，用户事先不知道用的是什么模型，单纯凭模型输出来做评价，评价完之后会显示具体用的是什么模型。

另外一个，side-by-side模式，用户可以自行指定要用的模型，然后对模型进行评价。

前者可以防止特别喜欢或者厌恶某模型的人给出有偏见的评价。