AI模型选择指南：从排行榜到实际应用的全面解析与收藏建议
本文通过让ChatGPT、Claude、Gemini三大AI模型调研权威排行榜，结合实际使用数据，分析了AI模型选择的关键因素。研究发现理论排名与实际使用存在差异，开源模型快速崛起，中国厂商表现亮眼。文章预测2025年将是"AI民主化元年"，AI模型将向专业化方向发展，成本效益比将成为终极竞争力。建议读者根据业务场景选择最合适的模型，拥抱专业化趋势，注重成本效益。
本文通过让ChatGPT、Claude、Gemini三大AI模型调研权威排行榜，结合实际使用数据，分析了AI模型选择的关键因素。研究发现理论排名与实际使用存在差异，开源模型快速崛起，中国厂商表现亮眼。文章预测2025年将是"AI民主化元年"，AI模型将向专业化方向发展，成本效益比将成为终极竞争力。建议读者根据业务场景选择最合适的模型，拥抱专业化趋势，注重成本效益。
模型发布的太多了，根本用不过来，一个现实的问题是：遇到问题时，我到底🤔 选哪个AI模型？
2025年，AI的世界热闹得有点过头了。感觉“每周”都有新的模型发布，性能一个比一个“炸裂”。这么多模型，到底该用哪个？
靠感觉猜，不靠谱。看排行榜？似乎是个好主意。但哪个榜单才权威？
那我们就让几个最顶尖的AI模型（ChatGPT、Claude、Gemini）自己去调研（Deep research）“哪些AI排行榜最靠谱”。我顺着它们的推荐，深挖了各大榜单的数据，再对比了真实开发者们到底在用什么。结合自己平时感受给出一些思考，这些模型平时几乎都有接触。
🔍 Part 1: 各个“Deep Research”
实验设计：三足鼎立的智慧较量
提出了同样的问题给“Deep Research”功能：“推荐一些权威的LLM模型排行榜网站”，并观察它们的表现差异。
首先用claude的的opus4.1-research：
推荐网站列表：
- lmarena.ai - LMArena ✅
- artificialanalysis.ai - Artificial Analysis ✅
- tatsu-lab.github.io/alpaca_eval - AlpacaEval ❌
- paperswithcode.com/sota/code-generation-on-humaneval ❌
- bigcode-bench.github.io - BigCodeBench ❌
- huggingface.co/spaces/opencompass/open_vlm_leaderboard ❌
- lmarena.ai/leaderboard/vision ✅
- lmarena.ai/leaderboard/text-to-image ✅
- huggingface.co/models?sort=downloads ✅
- anthropic.com/news/the-anthropic-economic-index ❌
打叉的基本看了之后，发现基本上不太靠谱，要么静态的很久没更新，要么不怎么权威，用户投票很少。
Claude：学术派的全面视野
Claude展现了最学术化和全面的推荐策略：
优势洞察：
- 多维度覆盖: 从文本生成到多模态，从编程能力到图像生成，覆盖AI能力的完整光谱
- 权威性导向: 优先推荐UC Berkeley、Stanford等顶尖学府的研究项目
- 前瞻性思维: 包含Anthropic Economic Index这样的创新评估维度
**典型表现：**Claude生成了一份包含10个网站的详细表格，每个网站都有权威性评级和核心特点描述。特别是对LMArena、Artificial Analysis等平台的专业解读，体现了其深厚的学术背景。
ChatGPT：实用主义的精准打击 (82分)
ChatGPT展现了最平衡和实用的推荐风格：
优势洞察：
- 主流权威平台全覆盖: 准确命中LMArena、OpenRouter、HuggingFace等核心平台
- 分类逻辑清晰: 综合实力、编程能力、性能测试的分类合理且实用
- 描述准确性高: 对每个平台功能的描述简洁而准确
推荐网站列表：
- lmarena.ai - Chatbot Arena ✅
- openlm.ai - OpenLM Arena+ ✅
- huggingface.co/spaces/open-llm-leaderboard ✅
- llm-stats.com - LLM-Stats ✅
- openrouter.ai/rankings ✅
- evalplus.github.io - EvalPlus ❌
- github.com/ray-project/llmperf-leaderboard ❌
- aistats.live ✅
**实用主义体现：**ChatGPT的推荐列表虽然数量不是最多，但每一个都是"必选项"，特别是对OpenRouter Token排行的重视，体现了对实际应用场景的深刻理解。
Gemini：国际化视野的创新发现者 (79分)
Gemini展现了最具国际化视野和创新发现能力的特点：
优势洞察：
- 国际化视野突出: 特别关注OpenCompass等中文语境的评测平台
- 商业应用导向: 引入Scale AI、Vellum AI等企业级评估平台
- 创新平台发掘: 识别Klu.ai等小众但有价值的资源
**创新思维：**Gemini是唯一一个重点推荐OpenCompass的助手，显示了对全球AI生态多样性的认知。
🏆 调研能力综合评价
基于专业评估体系的量化分析结果（我挨个点开看了一下）：
| 排名 | 模型 | 总分 | 准确性 | 覆盖度 | 实用性 | 创新性 | 描述质量 |
|---|---|---|---|---|---|---|---|
| 🥇 | Claude | 87/100 | 28/30 | 22/25 | 18/20 | 12/15 | 9/10 |
| 🥈 | ChatGPT | 82/100 | 26/30 | 20/25 | 17/20 | 11/15 | 8/10 |
| 🥉 | Gemini | 79/100 | 24/30 | 19/25 | 16/20 | 13/15 | 7/10 |
核心权威平台汇总
基于三个AI助手的推荐结果，以下为经过验证的权威排行榜平台：
🎯 综合实力评估类
- LMArena - 350万+用户投票的综合实力排行榜 ✅
- HuggingFace Open LLM - 开源模型权威榜单 ✅
- LLM-Stats - 每日更新的100+模型综合对比平台 ✅
- Artificial Analysis - 成本效益分析专业平台 ✅
🔥 真实使用量统计类
- OpenRouter Rankings - 基于真实API调用的Token使用排名 ✅
- Claude: 学术权威性最强，多模态覆盖最全面，适合研究导向用户
- ChatGPT: 主流平台识别最准确，实用性最强，适合一般用户快速上手
- Gemini: 创新资源发现能力最佳，国际化视野突出，适合寻找差异化资源
我们对这里提到的权威网站，每个去点开研究一下。
📊 Part 2: 排行榜的表象与实质
基于三个AI助手的推荐，我看了几个核心排行榜，发现了一个有趣的现象：理论排名与实际使用存在较大差异。
LMArena Overall: 理论上的王者
LMArena整体排行榜
LMArena的整体排行榜显示：
- Google Gemini-2.5-Pro 以1456分位居榜首（平实做分析问题，的确很强）
- Claude Opus系列 紧随其后，占据多个Top位置（在编码的确在claude code里太强，其他平实用的不太多）
- OpenAI的o3、GPT-4o系列 表现稳定
- 开源模型崭露头角: Qwen3-235b和DeepSeek-v3.1成功进入Top 15
WebDev Arena: 专业领域的较量
Web开发专项排行榜
在Web开发专项排行榜中，格局发生了有趣变化：
- GPT-5 (high) 以1483分领跑专业开发任务（但是还是用claude 4 sonnet多一些）
- Claude Opus 4.1 在编程思维方面表现突出
- DeepSeek-R1 成为开源模型中的编程之王，推理能力独树一帜。
- 中国模型集体爆发: DeepSeek v3.1，Qwen3-Coder、GLM-4.5、Kimi-K2等表现亮眼
💰 Part 3: 实际使用token量揭示的真相
然而，查看OpenRouter平台的实际Token使用数据，“身体”有时候最诚实，嘴上说的往往不算。
OpenRouter编程任务实际使用分布
实际使用与排行榜的较大差异（9月份的）
使用量Top 5：
- Grok Code Fast 1: 50.3% 使用率 - 排行榜并非最高，但实际使用最多（有点奇怪，那么猛了吗，下文有解释）
- Claude Sonnet 4: 16.5% 使用率 - 与排行榜地位相符，王者
- Others (各种小众模型): 11.7% 使用率
- GPT-4.1 Mini: 5.0% 使用率 - 性价比选择
- Sonoma Sky Alpha: 4.9% 使用率 - 开源替代品
- DeepSeek v3.1实至名归； Qwen3 Coder MOE也是非常强势。
最后发现Grok code fast做了限时免费
如果这样，去掉Grok code免费策略，这么看sonnet 4第一实至名归，断代领先。
🏆 Part 4: Top50文本模型的深度统计分析
基于LMArena最新的Top50文本生成模型数据，我进行了详细的统计分析。
📊 Top50完整榜单一览
为了便于对比分析，以下提供完整的表格版本：
| 排名 | 模型名称 | 评分 | 公司/组织 | 类型 | 许可证 | 梯队 |
|---|---|---|---|---|---|---|
| 🥇 1 | Gemini-2.5-Pro | 1456 | 闭源 | Proprietary | 第一梯队 | |
| 🥈 2 | Claude Opus 4.1 Thinking | 1449 | Anthropic | 闭源 | Proprietary | 第一梯队 |
| 🥉 3 | o3-2025 | 1441 | OpenAI | 闭源 | Proprietary | 第一梯队 |
| 4 | ChatGPT-4o-Latest | 1441 | OpenAI | 闭源 | Proprietary | 第二梯队 |
| 5 | GPT-4.5-Preview | 1441 | OpenAI | 闭源 | Proprietary | 第二梯队 |
| 6 | GPT-5-High | 1440 | OpenAI | 闭源 | Proprietary | 第二梯队 |
| 7 | Claude Opus 4.1 | 1438 | Anthropic | 闭源 | Proprietary | 第二梯队 |
| 8 | Qwen3-Max-Preview 🇨🇳 | 1430 | 阿里巴巴 | 闭源 | Proprietary | 第二梯队 |
| 9 | GPT-5-Chat | 1430 | OpenAI | 闭源 | Proprietary | 第二梯队 |
| 10 | Claude Opus 4 Thinking | 1421 | Anthropic | 闭源 | Proprietary | 第二梯队 |
| 11 | Grok-4-Fast | 1421 | xAI | 闭源 | Proprietary | 第二梯队 |
| 12 | Grok-4 | 1420 | xAI | 闭源 | Proprietary | 第二梯队 |
| 13 | Qwen3-235B 🇨🇳 | 1419 | 阿里巴巴 | 开源 | Apache 2.0 | 第二梯队 |
| 14 | DeepSeek-v3.1 🇨🇳 | 1417 | DeepSeek | 开源 | MIT | 第二梯队 |
| 15 | Kimi-K2 🇨🇳 | 1418 | 月之暗面 | 闭源 | Proprietary | 第二梯队 |
| 16 | DeepSeek-R1 🇨🇳 | 1418 | DeepSeek | 开源 | MIT | 第三梯队 |
| 17 | DeepSeek-v3.1-Thinking 🇨🇳 | 1414 | DeepSeek | 开源 | MIT | 第三梯队 |
| 18 | Kimi-K2-0905 🇨🇳 | 1414 | 月之暗面 | 闭源 | Proprietary | 第三梯队 |
| 19 | GPT-4.1 | 1411 | OpenAI | 闭源 | Proprietary | 第三梯队 |
| 20 | Grok-3-Preview | 1410 | xAI | 闭源 | Proprietary | 第三梯队 |
| 21 | Claude Opus 4 | 1410 | Anthropic | 闭源 | Proprietary | 第三梯队 |
| 22 | GLM-4.5 🇨🇳 | 1408 | 智谱AI | 开源 | MIT | 第三梯队 |
| 23 | Mistral-Medium-2508 | 1407 | Mistral | 闭源 | Proprietary | 第三梯队 |
| 24 | Gemini-2.5-Flash | 1406 | 闭源 | Proprietary | 第三梯队 | |
| 25 | Qwen3-Next-80B 🇨🇳 | 1400 | 阿里巴巴 | 开源 | Apache 2.0 | 第三梯队 |
| 26 | Longcat-Flash-Chat 🇨🇳 | 1398 | 美团 | 开源 | MIT | 其他重要模型 |
| 27 | Qwen3-235B-Thinking 🇨🇳 | 1398 | 阿里巴巴 | 开源 | Apache 2.0 | 其他重要模型 |
| 28 | Qwen3-235B-No-Thinking 🇨🇳 | 1400 | 阿里巴巴 | 开源 | Apache 2.0 | 其他重要模型 |
| 29 | Claude Sonnet 4 Thinking | 1399 | Anthropic | 闭源 | Proprietary | 其他重要模型 |
| 30 | o1-2024 | 1399 | OpenAI | 闭源 | Proprietary | 其他重要模型 |
| 31 | DeepSeek-R1 🇨🇳 | 1394 | DeepSeek | 开源 | MIT | 第四梯队 |
| 32 | o4-Mini | 1392 | OpenAI | 闭源 | Proprietary | 第四梯队 |
| 33 | MAI-1-Preview | 1391 | 微软 AI | 闭源 | Proprietary | 第四梯队 |
| 34 | GPT-5-Mini-High | 1389 | OpenAI | 闭源 | Proprietary | 第四梯队 |
| 35 | DeepSeek-v3 🇨🇳 | 1390 | DeepSeek | 开源 | MIT | 第四梯队 |
| 36 | HunyuanT1 🇨🇳 | 1385 | 腾讯 | 闭源 | Proprietary | 第四梯队 |
| 37 | Claude Sonnet 4 | 1386 | Anthropic | 闭源 | Proprietary | 第四梯队 |
| 38 | o1-Preview | 1385 | OpenAI | 闭源 | Proprietary | 第四梯队 |
| 39 | Claude 3.7 Sonnet Thinking | 1385 | Anthropic | 闭源 | Proprietary | 第四梯队 |
| 40 | Mistral-Medium-2505 | 1382 | Mistral | 闭源 | Proprietary | 第四梯队 |
| 41 | Qwen3-30B 🇨🇳 | 1380 | 阿里巴巴 | 开源 | Apache 2.0 | 开源新星 |
| 42 | Hunyuan-Turbos 🇨🇳 | 1380 | 腾讯 | 闭源 | Proprietary | 开源新星 |
| 43 | Qwen3-Coder-480B 🇨🇳 | 1379 | 阿里巴巴 | 开源 | Apache 2.0 | 开源新星 |
| 44 | Qwen3-Next-80B-Thinking 🇨🇳 | 1373 | 阿里巴巴 | 开源 | Apache 2.0 | 开源新星 |
| 45 | GPT-4.1-Mini | 1375 | OpenAI | 闭源 | Proprietary | 开源新星 |
| 46 | Qwen3-235B 🇨🇳 | 1373 | 阿里巴巴 | 开源 | Apache 2.0 | 开源新星 |
| 47 | GLM-4.5-Air 🇨🇳 | 1372 | 智谱AI | 开源 | MIT | 开源新星 |
| 48 | Qwen2.5-Max 🇨🇳 | 1371 | 阿里巴巴 | 闭源 | Proprietary | 开源新星 |
| 49 | MiniMax-M1 🇨🇳 | 1369 | MiniMax | 开源 | Apache 2.0 | 开源新星 |
| 50 | Claude 3.7 Sonnet | 1369 | Anthropic | 闭源 | Proprietary | 开源新星 |
表格说明：
- 🇨🇳 表示中国公司/组织开发的模型，渗透到第二/第三梯队，就差最后重击。
- 粗体表示该模型在其梯队中具有特殊意义或突出表现
- 开源模型以粗体标识，许可证类型明确标注
- 评分基于LMArena用户投票结果，分数越高表示综合能力越强
- 梯队划分基于评分区间，便于快速识别模型定位
🎯 一眼看懂Top50核心趋势
🏆 冠军争夺战:
- Google Gemini-2.5-Pro 以1456分问鼎榜首
分布统计：
- 闭源模型: 39个 (78%)
- 开源模型: 11个 (22%)
许可证分布：
- Proprietary (专有): 39个 (78%)
- Apache 2.0: 7个 (14%)
- MIT: 4个 (8%)
公司势力版图
OpenAI帝国 (16个模型，32%):
- 统治地位明显，从GPT-4.5到o3系列全面开花
- 模型矩阵策略：高端、中端、迷你版本全覆盖
Anthropic王朝 (11个模型，22%):
- Claude Opus和Sonnet系列占据高端市场
- Thinking版本展现思维链技术的商业化成功
中国三驾马车:
- 阿里巴巴 (8个模型): Qwen3系列全面崛起，Apache 2.0许可证战略
- DeepSeek (5个模型): MIT许可证，技术开放度最高
- 腾讯 (2个模型): HunyuanT1展现后发优势
Google的王者风范逐步显露 (3个模型):
- 虽然Gemini-2.5-Pro位居榜首，但模型数量较少，感觉又在憋大招，比如coding之类的，nano又扳回一局，可以说非常非常强。就差一个coding了，veo也是王者之风。
- Gemma-3开源策略与主力产品形成分化合围.
alt text
nano在图片编辑领域断代领先。
能力分数深度分析
第一梯队 (1450+ 分):
- 仅有3个模型，全部为闭源
- Google和Anthropic，OpenAI占据绝对高地
第二梯队 (1400-1450分):
- 24个模型，闭源主导但开源开始突破
- 中国厂商集体进入这一梯队
第三梯队 (1350-1400分):
- 23个模型，开源模型比例上升至30%
一些趋势
基于这些数据，几个趋势逐步形成：
趋势一：2025年将是"AI民主化元年"
证据链:
- 开源模型在Top50中占22%，且主要集中在第二、三梯队
- 中国厂商大量采用Apache 2.0和MIT许可证
- 实际使用数据显示，开发者更青睐性价比高的模型
预言: 到2025年底，开源模型将在Top50中占据35%以上的份额，并在多个专业领域实现对闭源模型的全面平等竞争。
趋势二：AI界的"苹果vs安卓"时代即将到来
闭源阵营（苹果模式）:
- OpenAI + Anthropic + Google 构成"三巨头联盟"
- 特点：技术领先、生态封闭、价格高昂
开源阵营（安卓模式）:
- 中国厂商 + DeepSeek + Mistral 构成"开源联合军"
- 特点：性价比高、可定制强、迭代快速
预言: 如同智能手机市场一样，最终安卓阵营将在市场份额上占据主导地位，但苹果阵营将保持高端市场的技术领先和利润优势。
趋势三：专业化将重新定义AI模型价值
证据:
- WebDev Arena显示专业化模型表现与通用排行榜差异巨大
- 实际使用数据显示，专用模型的使用率远超通用模型
- Qwen3-Coder、GLM-4.5等专业模型快速崛起
预言: 2026年，"通用AI排行榜"仅供参考，取而代之的是10+个专业领域的细分排行榜。每个领域都将有不同的王者，可能断代领先，逐步出现“垂直能力王者”。
趋势四：中国AI的"后发制人"战略一定会成功
数据支撑:
- Top50中，中国模型占据15个席位(30%)
- 开源模型中，中国模型占据70%以上
- Apache 2.0许可证成为中国厂商的战略武器
预言: 中国AI厂商正在通过"开源包围闭源"的策略，在2026年实现对美国AI霸权的战略突破。届时，全球AI市场将从"美国单极"转向"中美双极"格局。
趋势五：成本效益比将成为AI模型的终极竞争力
ROI革命的证据:
- Grok Code Fast 1以50.3%使用率增长迅速，除了免费策略，背后也是又好又快的性价比模型。
- GPT-4.1 Mini的高使用率证明了市场对成本的敏感性
- 开源模型的快速崛起本质上是成本优势的体现
终极预言: 2027年，AI模型的竞争将从"谁最强"转向"谁最划算"。性价比将成为长期竞争壁垒，技术领先的窗口期将缩短至3-6个月。
最后还是拼成本？
- 别把榜单当圣经。 排名看看就好，真正的选择应该基于你自己的业务场景和实际测试。一个在编程榜上排名第五但速度飞快的模型，可能比榜首的“全能冠军”更适合你的项目。
- 拥抱“专业化”。 通用大模型的光环正在褪色，未来属于那些在特定领域（编码、创意、金融分析等）做到极致的模型。找到你所在赛道的“单项冠军”比追逐“全能选手”更明智。
- 成本，成本，还是成本。 真实世界的数据告诉我们，市场最终会用真金白银投票给那些最具性价比的选项。一个足够好、足够快、还足够便宜的模型，远比一个性能过剩但价格昂贵的模型有生命力。开源模型的崛起，正是这个趋势的最佳证明。
说到底，挑选AI模型就像挑选工具，没有绝对的“最好”，只有“最合适”。
大模型未来如何发展？普通人能从中受益吗？
在科技日新月异的今天，大模型已经展现出了令人瞩目的能力，从编写代码到医疗诊断，再到自动驾驶，它们的应用领域日益广泛。那么，未来大模型将如何发展？普通人又能从中获得哪些益处呢？
通用人工智能（AGI）的曙光：未来，我们可能会见证通用人工智能（AGI）的出现，这是一种能够像人类一样思考的超级模型。它们有可能帮助人类解决气候变化、癌症等全球性难题。这样的发展将极大地推动科技进步，改善人类生活。
个人专属大模型的崛起：想象一下，未来的某一天，每个人的手机里都可能拥有一个私人AI助手。这个助手了解你的喜好，记得你的日程，甚至能模仿你的语气写邮件、回微信。这样的个性化服务将使我们的生活变得更加便捷。
脑机接口与大模型的融合：脑机接口技术的发展，使得大模型与人类的思维直接连接成为可能。未来，你可能只需戴上头盔，心中想到写一篇工作总结”，大模型就能将文字直接投影到屏幕上，实现真正的心想事成。
大模型的多领域应用：大模型就像一个超级智能的多面手，在各个领域都展现出了巨大的潜力和价值。随着技术的不断发展，相信未来大模型还会给我们带来更多的惊喜。赶紧把这篇文章分享给身边的朋友，一起感受大模型的魅力吧！
那么，如何学习AI大模型？
在一线互联网企业工作十余年里，我指导过不少同行后辈，帮助他们得到了学习和成长。我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑。因此，我坚持整理和分享各种AI大模型资料，包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频。
学习阶段包括：
1.大模型系统设计
从大模型系统设计入手，讲解大模型的主要方法。包括模型架构、训练过程、优化策略等，让读者对大模型有一个全面的认识。
2.大模型提示词工程
通过大模型提示词工程，从Prompts角度入手，更好发挥模型的作用。包括提示词的构造、优化、应用等，让读者学会如何更好地利用大模型。
3.大模型平台应用开发
借助阿里云PAI平台，构建电商领域虚拟试衣系统。从需求分析、方案设计、到具体实现，详细讲解如何利用大模型构建实际应用。
4.大模型知识库应用开发
以LangChain框架为例，构建物流行业咨询智能问答系统。包括知识库的构建、问答系统的设计、到实际应用，让读者了解如何利用大模型构建智能问答系统。
5.大模型微调开发
借助以大健康、新零售、新媒体领域，构建适合当前领域的大模型。包括微调的方法、技巧、到实际应用，让读者学会如何针对特定领域进行大模型的微调。
6.SD多模态大模型
以SD多模态大模型为主，搭建文生图小程序案例。从模型选择、到小程序的设计、到实际应用，让读者了解如何利用大模型构建多模态应用。
7.大模型平台应用与开发
通过星火大模型、文心大模型等成熟大模型，构建大模型行业应用。包括行业需求分析、方案设计、到实际应用，让读者了解如何利用大模型构建行业应用。
学成之后的收获👈
• 全栈工程实现能力：通过学习，你将掌握从前端到后端，从产品经理到设计，再到数据分析等一系列技能，实现全方位的技术提升。
• 解决实际项目需求：在大数据时代，企业和机构面临海量数据处理的需求。掌握大模型应用开发技能，将使你能够更准确地分析数据，更有效地做出决策，更好地应对各种实际项目挑战。
• AI应用开发实战技能：你将学习如何基于大模型和企业数据开发AI应用，包括理论掌握、GPU算力运用、硬件知识、LangChain开发框架应用，以及项目实战经验。此外，你还将学会如何进行Fine-tuning垂直训练大模型，包括数据准备、数据蒸馏和大模型部署等一站式技能。
• 提升编码能力：大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握将提升你的编码能力和分析能力，使你能够编写更高质量的代码。
学习资源📚
- AI大模型学习路线图：为你提供清晰的学习路径，助你系统地掌握AI大模型知识。
- 100套AI大模型商业化落地方案：学习如何将AI大模型技术应用于实际商业场景，实现技术的商业化价值。
- 100集大模型视频教程：通过视频教程，你将更直观地学习大模型的技术细节和应用方法。
- 200本大模型PDF书籍：丰富的书籍资源，供你深入阅读和研究，拓宽你的知识视野。
- LLM面试题合集：准备面试，了解大模型领域的常见问题，提升你的面试通过率。
- AI产品经理资源合集：为你提供AI产品经理的实用资源，帮助你更好地管理和推广AI产品。
👉获取方式： 😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
8
0- 0
已为社区贡献135条内容
所有评论(0)