GPT不是唯一选择：Hugging Face五款优秀的开源LLM

关注

原创最新推荐文章于 2026-10-20 10:12:55 发布 1.4k 阅读 AI 写同款· GEO 优化 ›

【HuggingFace LLM】几种经典LLM Task原理浅析唯一需要注意的是，总结的任务训练起来，前面需要加一个。阅读详情

之前，我们分享了国内一些开源的大型语言模型（LLM）。今天，我想向大家介绍在Hugging Face平台上发现的一些国际上备受关注、被誉为超越GPT的LLM。对于熟悉LLM的朋友们而言，你们一定知道这些模型的强大之处：它们能够根据输入内容生成多样化的文本。这些模型经过大量数据训练，能够灵活模仿不同的写作风格、体裁和文本类型，其强大功能和多样性使它们在众多场景中发挥作用，例如文本摘要、问题解答和文本创作等。

但为什么会说这些模型超越了GPT呢？GPT作为OpenAI开发的一款广受欢迎的LLM，推出了多个版本，如GPT-2、GPT-3和GPT-4等，每个版本在规模和能力上都各有卓越。然而，GPT并非LLM的唯一选择。市场上存在许多其他由不同研究团队和机构开发的模型，这些模型在某些方面甚至有超越GPT的潜力。在这篇文章中，我将向大家展示这些模型的特点，并解释如何在Hugging Face平台上使用它们。

Hugging Face不仅是一个平台，它更像是一个资源库，汇集了超过12万个模型、2万个数据集以及5万个演示应用（Spaces），这些资源都是开源的，对公众开放。通过这个平台，你可以轻松地浏览、下载和使用这些模型，尤其是通过transformers库——一个既便捷又高效的Python库，专为LLM设计。值得一提的是，你还可以将自己的模型和数据集上传至Hugging Face Hub，与全球的LLM爱好者和AI专家交流合作。

1、Vigogne

Vigogne是蒙特利尔大学Bofeng Huang团队开发的一系列先进的大型语言模型（LLM）。这些模型在GPT架构的基础上进行了创新性的修改和优化，使得它们在效率和功能上更加卓越。一个关键的创新是引入了LORA（局部重权注意力）技术，这项技术有效减少了注意力机制的内存和计算需求。此外，Vigogne模型还采用了PEFT（位置编码微调）技术，这使得模型能够更好地适应不同任务和领域的特定位置编码要求。

模型地址：huggingface.co/bofenghuang…

Vigogne模型的种类众多，大小从7B到33B不等，展现出极强的多样性和适应性。这些模型在多个领域表现出色，能够生成高质量的文本，适用于聊天、指令生成和其他领域。你可以在Hugging Face Hub上找到这些模型，只需搜索用户名bofenghuang即可。比如，你可以试试vigogne-7b-chat模型，它专门设计用于生成引人入胜、流畅连贯的对话。下面是一个示例，展示了如何通过transformers库来使用这个模型：

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, GenerationConfig
from vigogne.preprocess import generate_inference_chat_prompt

model_name_or_path = "bofenghuang/vigogne-7b-chat"
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path, padding_side="right", use_fast=False)
model = AutoModelForCausalLM.from_pretrained(model_name_or_path, torch_dtype=torch.float16, device_map="auto")

user_query = "Expliquez la différence entre DoS et phishing."
prompt = generate_inference_chat_prompt([[user_query, ""]], tokenizer=tokenizer)
input_ids = tokenizer(prompt, return_tensors="pt")["input_ids"].to(model.device)
input_length = input_ids.shape[1]

generated_outputs = model.generate(
    input_ids=input_ids,
    generation_config=GenerationConfig(
        temperature=0.1,
        do_sample=True,
        repetition_penalty=1.0,
        max_new_tokens=512,
    ),
    return_dict_in_generate=True,
)
generated_tokens = generated_outputs.sequences[0, input_length:]
generated_text = tokenizer.decode(generated_tokens, skip_special_tokens=True)
print(generated_text)

2、JAIS

JAIS是由Core42和阿尔伯塔大学团队共同开发的一系列先进的大型语言模型（LLM）。这些模型基于GPT架构，但引入了若干关键的增强和优化措施，使得它们在性能上更加健壮和可扩展。例如，它们采用了名为GPTQ（GPT量化）的技术，这一技术通过使用低精度算术运算来减少模型的大小和响应时间。另一个创新是ACTORDER（激活函数排序）技术，它通过重新排序激活函数来提高模型的并行处理能力和吞吐量。

模型地址：huggingface.co/core42/jais…

JAIS模型有着多种不同的规模和版本，其参数的规模从13B到30B不等，展示了其在不同应用场景中的适应性和多功能性。这些模型在众多领域中都能够产生高质量的文本，如聊天、bloom等领域。你可以在Hugging Face Hub上通过用户名core42找到这些模型。举个例子，jais-13b-chat-hf模型能够基于特定输入生成幽默而机智的对话。下面是一个示例，展示了如何通过transformers库的使用：

# -*- coding: utf-8 -*-

import torch
from transformers import AutoTokenizer, AutoModelForCausalLM
model_path = "inception-mbzuai/jais-13b"

device = "cuda" if torch.cuda.is_available() else "cpu"

tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForCausalLM.from_pretrained(model_path, device_map="auto", trust_remote_code=True)


def get_response(text,tokenizer=tokenizer,model=model):
    input_ids = tokenizer(text, return_tensors="pt").input_ids
    inputs = input_ids.to(device)
    input_len = inputs.shape[-1]
    generate_ids = model.generate(
        inputs,
        top_p=0.9,
        temperature=0.3,
        max_length=200-input_len,
        min_length=input_len + 4,
        repetition_penalty=1.2,
        do_sample=True,
    )
    response = tokenizer.batch_decode(
        generate_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True
    )[0]
    return response

text= "عاصمة دولة الإمارات العربية المتحدة ه"
print(get_response(text))

text = "The capital of UAE is"
print(get_response(text))

3、BERTIN

BERTIN是一个由Manuel Romero和他在Platzi团队开发的特别的大型语言模型（LLM）。它是基于EleutherAI创造的GPT-3变种——GPT-J架构的，但BERTIN远不止是GPT-J的一个复制版本。这个模型是专门针对广泛的西班牙语文本进行训练的，成为了第一个能够高效生成高质量西班牙语文本的LLM。除此之外，它还具备处理代码生成和其他任务的能力。

模型地址：huggingface.co/mrm8488/ber…

BERTIN拥有不同的规模和版本，其参数的范围从6B到12B。这使得它能够适应多种领域的需求，生成高质量的文本，比如在聊天、alpaca和chivo等方面。你可以在Hugging Face Hub上通过用户名mrm8488找到它。例如，bertin-gpt-j-6B-ES-8bit模型就是其中之一，它擅长根据给定的输入生成流畅和连贯的西班牙语文本。下面是一个示例，展示了如何利用transformers库来使用这个模型：

import transformers
import torch

from Utils import GPTJBlock, GPTJForCausalLM

device = "cuda" if torch.cuda.is_available() else "cpu"

transformers.models.gptj.modeling_gptj.GPTJBlock = GPTJBlock  # monkey-patch GPT-J

ckpt = "mrm8488/bertin-gpt-j-6B-ES-8bit"

tokenizer = transformers.AutoTokenizer.from_pretrained(ckpt)
model = GPTJForCausalLM.from_pretrained(ckpt, pad_token_id=tokenizer.eos_token_id, low_cpu_mem_usage=True).to(device)

prompt = tokenizer("El sentido de la vida es", return_tensors='pt')
prompt = {key: value.to(device) for key, value in prompt.items()}

out = model.generate(**prompt, max_length=64, do_sample=True)

print(tokenizer.decode(out[0]))

4、Mistral

Mistral是剑桥大学的FPHam团队开发的一系列新型大型语言模型（LLM）。这些模型虽然以GPT-2架构为基础，经过扩展和改进，从而在表现力和多样性方面有了显著提升。例如，它们引入了CLP（对比性语言预训练）技术，这种技术特别强化了模型在理解自然语言的风格、情感和主题方面的能力。此外，Mistral模型还采用了PEFT（位置编码微调）技术，以更好地适应不同任务和领域中的位置编码需求。

模型地址：huggingface.co/mistralai/M…

Mistral模型涵盖多种规模和版本，参数大小从6B到7B不等，这使得它们能够广泛应用于各类领域，包括指导性文本、提问、bloom等。在Hugging Face Hub上，你可以通过搜索用户名FPHam来找到这些模型。比如，你可以尝试使用mistral-7b-chat模型，这个模型擅长根据特定输入生成相关且引人入胜的问题。下面是一个展示如何通过transformers库使用这个模型的简单示例：

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("openskyml/mistral-7b-chat")
model = AutoModelForCausalLM.from_pretrained("openskyml/mistral-7b-chat")

# encode the input text
input_ids = tokenizer.encode("The Eiffel Tower is a famous landmark in Paris.", return_tensors="pt")

# generate the output text
output_ids = model.generate(input_ids, max_length=50)

# decode the output text
output_text = tokenizer.decode(output_ids[0], skip_special_tokens=True)
print(output_text)

5、Igel

Igel是由Phil Schmid及其在Hugging Face团队开发的一款新颖的大型语言模型（LLM）。该模型建立在EleutherAI创造的GPT-3变种GPT-Neo架构之上。但是，Igel并不仅仅是GPT-Neo的翻版，而是一个全新的模型，专门针对大量多样化的德语文本进行训练。这使得Igel成为首个能够高效生成高质量德语文本的LLM，并且它还具备处理代码生成和其他任务的能力。

模型地址：huggingface.co/philschmid/…

Igel提供了多种不同的规模和版本，其参数的规模从2.7B到13B不等，显示出其广泛的应用潜力。这个模型在多个领域都能生成高质量的文本，比如聊天、alpaca和igel等。你可以在Hugging Face Hub上通过用户名philschmid找到它。例如，instruct-igel-001模型是其中的一个选择，它擅长根据给定的输入生成流畅和连贯的德语文本。以下是一个展示如何利用transformers库来使用这个模型的示例：

from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("philschmid/instruct-igel-001")
model = AutoModelForCausalLM.from_pretrained("philschmid/instruct-igel-001")

# encode the input text
input_ids = tokenizer.encode("Wie macht man einen Kuchen?", return_tensors="pt")

# generate the output text
output_ids = model.generate(input_ids, max_length=50)

# decode the output text
output_text = tokenizer.decode(output_ids[0], skip_special_tokens=True)
print(output_text)

结论

在Hugging Face平台上，你能发现一些相较于GPT更具优势的大型语言模型（LLM）。这些模型不仅功能全面，让人印象深刻，还充满创新和多样性。它们能够适用于各种不同的领域、语言和任务，生成高质量的文本，同时还可以轻松地结合transformers库进行使用。在Hugging Face Hub上，还有更多其他LLM模型等待你去探索，你可以找到符合你需求和兴趣的新奇、令人兴奋的模型。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望