大模型的分类维度
按模型规模与参数数量划分
小模型
中型模型
大型模型
超大型模型
按技术架构与模型类型划分
Transformer 架构模型：目前主流大模型均基于 Transformer 架构（自注意力机制），如 GPT 系列（decoder-only）、BERT（encoder-only）、T5（encoder-decoder）。特点：通过自注意力机制捕捉文本长距离依赖关系，是自然语言处理（NLP）大模型的 “标准架构”
多模态模型：支持处理文本、图像、音频、视频等多种模态数据，如 GPT-4V、Gemini、文心一言（多模态版）、Midjourney（文本生成图像）。特点：突破单文本限制，可实现 “图文理解”“音视频分析” 等跨模态任务，应用场景更广泛。
专用架构模型：针对特定任务优化的架构，如 MoE（混合专家模型，如 GPT-4、DeepMind GLaM）、稀疏激活模型。特点：通过 “激活部分参数” 提升效率，在保持大模型能力的同时降低计算成本。
按训练目标与能力定位划分
通用大模型：以 “全领域通用能力” 为目标，可处理文本生成、问答、翻译、代码等多种任务，如 GPT-3/4、豆包、智谱清言、Kimi。特点：适用场景广泛，无需针对单一任务深度优化，主打 “一站式解决多种需求”。
垂直领域大模型：针对特定行业或任务训练，聚焦某一领域的专业能力，如医疗大模型（如医疗问诊）、法律大模型（如北大法宝、律舟大模型）、代码大模型（如 CodeLlama、DeepSeek-Coder）。特点：在垂直领域的知识深度、准确性远超通用模型，需结合领域数据微调，解决专业场景问题（如医疗诊断、合同分析）。
任务专用模型：针对单一任务优化，如摘要生成模型（如 BART）、情感分析模型（如 DistilBERT 微调版）、图像生成模型（如 Stable Diffusion）。特点：在特定任务上效率更高、效果更佳，但通用性极差。<br>
按部署方式与访问形式划分
云端大模型：部署在云端服务器，用户通过 API 接口访问（如 OpenAI 的 GPT 系列、Anthropic 的 Claude、文心一言 API）。特点：依赖云端算力，用户无需本地硬件资源，但受网络稳定性和服务商限制，数据隐私依赖第三方保障。
开源大模型：模型权重开源，允许用户本地部署、修改和二次训练，如 LLaMA 系列、Mistral、Qwen（通义千问开源版）。特点：灵活性高，可本地化部署（保障数据隐私），但对用户硬件资源和技术能力有要求。
轻量化 / 边缘大模型：通过模型压缩（如量化、剪枝）适配边缘设备（如手机、物联网设备），如 GPT-4 量化版、华为盘古边缘版。特点：低延迟、低功耗，适合离线场景，但能力通常弱于完整版模型。<br>
按训练数据与知识覆盖划分
通用知识模型：训练数据涵盖书籍、网页、论文、新闻等通用领域内容，知识覆盖广泛但深度有限，如 ChatGPT、豆包。
专业知识模型：训练数据以某一专业领域的文献、数据为主（如医学论文、法律条文、工程手册），如 PubMedGPT（医疗）、LawGPT（法律）。
实时知识模型：支持接入实时数据（如联网搜索、数据库更新），可获取最新信息，如 New Bing（结合搜索引擎）、Kimi（支持实时联网）。特点：解决传统大模型 “知识滞后” 问题，能响应最新事件或动态
按技术归属与研发主体划分
巨头自研模型：由科技巨头研发，依托雄厚资源和技术积累，如 OpenAI（GPT 系列）、谷歌（Gemini）、微软（Azure OpenAI）、百度（文心一言）。
创业公司模型：由 AI 创业公司研发，聚焦特定技术或场景，如 Anthropic（Claude）、DeepSeek（深度求索）、智谱 AI（智谱清言）。
<br>
学术机构模型：由高校或科研机构研发，侧重技术探索，如斯坦福大学（Alpaca）、清华大学（ChatGLM）。
地域划分：国产大模型（豆包）、国外大模型（GPT ）。
