一、议题说明

在人工智能技术不断进步的今天，大语言模型在各行各业的应用愈发广泛。然而，面对众多的大语言模型，如何科学、合理地选择最适合企业和开发者需求的模型，成为了一个关键问题。本议题的目标是深入探讨构建科学的大语言模型选型评估框架，以及应包含哪些评选维度，旨在帮助企业和开发者在大语言模型选型过程中，做出更为明智的决策。

二、议题主持导语

大语言模型选型评估框架的重要性不言而喻，它涵盖了模型的准确性、效率、资源消耗等多个关键方面。在本次议题中，我们将邀请来自不同行业和领域的专家分享他们的观点和经验，共同探讨如何构建科学的大语言模型选型评估框架。我们希望通过专家们的智慧碰撞，为大家提供一套实用、有效的大语言模型选型评估方法，助力企业和开发者在大语言模型的应用道路上取得成功。

三、议题研讨内容

1）Ethan_Yang 某金融公司 技术架构师
Ethan_Yang认为， 大语言模型 选型评估框架应该包含功能需求、可扩展性、可用性、算法性能、可解释性、可管理性、安全性和隐私保护、技术支持和社区支持、性价比以及未来发展和可持续性等评选维度。
（1） 功能需求方面，需要评估模型是否满足业务需求和功能要求，包括数据处理、计算能力、模型集成等。
（ 2 ） 可扩展性方面，需要评估模型在处理大规模数据和复杂计算时的性能和扩展能力，包括并行计算、分布式计算等。
（ 3 ） 可用性方面，需要评估模型的易用性和操作性，包括模型的使用界面、API接口、可视化工具等。
（ 4 ） 算法性能方面，需要评估模型在准确性、鲁棒性、稳定性等方面的表现，包括模型的训练速度、预测准确率、泛化能力等。
（ 5 ） 可解释性方面，需要评估模型是否能够提供对结果的解释和解释性，包括模型的可解释性、特征重要性等。
（ 6 ） 可管理性方面，需要评估模型的管理和维护成本，包括模型的部署、更新、监控和维护等。
（ 7 ） 安全性和隐私保护方面，需要评估模型在数据安全和隐私保护方面的能力，包括数据加密、访问控制、数据脱敏等。
（ 8 ） 技术支持和社区支持方面，需要评估模型的厂商或开源社区提供的技术支持和社区支持，包括文档、示例、论坛等。
（ 9 ） 性价比方面，需要评估模型的性能和功能与成本之间的平衡，包括模型的许可费用、硬件资源需求等。
（ 10 ） 未来发展和可持续性方面，需要评估模型的发展趋势和更新迭代计划，以及模型背后的技术团队和社区的稳定性和活跃度。
此外，Ethan_Yang还提出了行业 大语言模型 +公司级小模型的结合方式，以有效应对训练集数据不足情况下的 大语言模型 结果不确切情况。

2）windix 某证券公司 商业分析师
windix提出， 大语言模型 评估可以按照知识和能力、人类意图对齐能力、安全性三个大维度进行，并进一步细分为多个小维度，如问答能力、知识补全能力、推理能力、工具学习等。
（ 1 ） 在知识和能力评估方面，可以评估模型的问答能力、知识补全能力、推理能力以及工具学习等方面。
（ 2 ） 在人类意图对齐能力评估方面，可以评估模型的道德与伦理、偏见、有毒性以及真实性等方面。
（ 3 ） 在安全性评估方面，可以评估模型的鲁棒性、风险等方面。此外，对于行业 大语言模型 ，如生物制药、教育、法律、计算机和金融等行业 大语言模型 ，还可以有定制化的评估方式。

3）没电的手机 某金融企业 项目经理
“ 没电的手机 ” 提出， 大语言模型 选型的评估框架可以包括模型性能、训练时间和资源消耗、可解释性和可理解性、可用性和易用性、可扩展性和灵活性、模型的可靠性和鲁棒性、社区支持和生态系统等评选维度。
（ 1 ） 在模型性能方面，可以评估模型在预测任务上的准确性、召回率、精确率等指标，用来评估模型的预测能力和表现。
（ 2 ） 在训练时间和资源消耗方面，可以评估模型的训练时间、所需的计算资源（如CPU、GPU、内存）等，用来评估模型的训练效率和资源消耗情况。
（ 3 ） 在可解释性和可理解性方面，可以评估模型对于用户和其他相关方的解释能力。
（ 4 ） 在可用性和易用性方面，可以评估模型的易用性、部署和维护的难易程度，用来评估模型的实际应用可行性。
（ 5 ） 在可扩展性和灵活性方面，可以评估模型的扩展性、适应性和灵活性，用来评估模型在应对不同任务、数据或场景下的适应能力。
（ 6 ） 在模型的可靠性和鲁棒性方面，可以评估模型对于输入数据的容错性、鲁棒性和稳定性，用来评估模型在面对不完美或特殊情况时的表现。
（ 7 ） 在社区支持和生态系统方面，可以评估模型的技术支持和社区活跃度，这对于模型的长期维护和发展至关重要。
此外，合理合规也是一个重要的评选维度，特别是在银行系统中，需要确保选型满足国家相关安全政策要求，避免触及安全红线。实践案例方面，可以通过具体案例研究来指导模型的选择与评估。

4） seraphin BMW 数据分析与人工智能经理
seraphin提出，为有效应对行业大语言模型的技术挑战，企业应采取以下四个关键策略：一是根据不同行业特点进行定制化适配；二是避免在模型微调上的盲目投入；三是采用AI代理和混合专家系统模式优化资源配置；四是使用知识模板模式降低模型升级迭代成本，提高其可持续性和可维护性。
（ 1 ） 标准框架适配： 大语言模型 应参考信通院的建议体系，并根据不同行业的特点进行适配。行业 大语言模型 的技术架构和关注点与通用模型存在差异，因此需要定制化调整以满足特定需求。
（ 2 ） 成本效益考虑：企业在预算有限的情况下，应避免盲目投入于模型的微调(fine tuning)。IT部门需要确保成本与效益的正向回报，避免无谓的投资风险。
（ 3 ） 高质量数据基础：如果企业拥有良好的数据基础和清晰的数据体系，可以考虑采用AI代理(AI agent)和混合专家系统(MoE)模式。这种模式可以通过跨业务分散风险，实现资源的优化配置。
（ 4 ） 知识模板应用：为降低模型升级迭代带来的沉没成本，企业应采用知识模板(knowledge template)模式。这种模式有助于将技术风险分散，并通过模板化知识沉淀，提高模型的可持续性和可维护性。

5） 许小龙 某金融企业 大语言模型工程师
评估框架的核心部分是评估标准，包括准确性、效率、资源消耗、模型透明度和系统兼容性等。此外，还需考虑模型在不同数据和任务中的适应性和泛化力，以及实践案例的分析。
（ 1 ） 在准确性方面，可以通过准确率、召回率、F1分数等指标来衡量。在效率方面，包括训练时间和推理时间，以及模型的并行处理能力。
（ 2 ） 在资源消耗方面，包括模型的大小、计算复杂度、内存占用等。
（ 3 ） 在模型透明度方面，指模型的可解释性，可以帮助我们理解模型的决策过程。
（ 4 ） 在系统兼容性方面，需要评估模型是否能够与现有的系统和技术栈兼容。
（ 5 ） 在适配性方面，不同的数据和任务可能需要不同类型的模型，因此需要评估模型在不同数据和任务中的适应性和泛化力。这可以通过交叉验证、模型选择在不同的数据集上进行。
（ 6 ） 在实践案例方面，通过案例分析，我们可以了解如何在实际应用中选择和评估模型，这可以帮助我们更好地理解模型的优点和局限性，以及如何根据具体需求进行调整。

6） Catalinaspring 某金融企业 副处长
C atalinaspring认为，大语言模型的核心能力大致分为：生成（Generate）、总结（Summarize）、提取（Extract）、分类（Classify）、检索（Search）与改写（Rewrite）六部分。
（ 1 ） 在生成能力方面，文本生成是给定输入与上下文生成新文本的能力，这是 大语言模型 最核心的能力。
（ 2 ） 在总结能力方面，通过Prompt Engineering， 大语言模型 可对用户输入的文本提炼总结。
（ 3 ） 在提取能力方面， 大语言模型 可以提取文本中的时间、地点、人物等信息，旨在将文本关键信息进行结构化表示。
（ 4 ） 在分类能力方面， 大语言模型 对文本内容分类的优势在于强语义理解能力与小样本学习能力。
（ 5 ） 在检索能力方面，文本检索是根据给定文本在目标文档中检索出相似文本。
（ 6 ） 在改写能力方面，通过 大语言模型 与提示词工程自动对文本内容纠错，并进行润色处理。

7） Maolala 某银行 系统分析师
Maolala提出，对于金融行业来说， 大语言模型 的选型评估框架可以考虑以下几个关键维度：业务覆盖面、模型性能、模型解释性、模型稳定性、计算效率、数据集规模、安全与隐私、监管符合性等。
（ 1 ） 在业务覆盖面方面，需要评估模型的适用业务范围，是否可以覆盖金融行业的核心业务。
（ 2 ） 在模型性能方面，需要评估模型在金融领域业务情景下的精确度、召回率等指标表现。
（ 3 ） 在模型解释性方面，需要评估模型结果是否可解释、符合金融业的风控合规要求。在模型稳定性方面，需要评估模型在遭遇新的金融业务案例时的稳定性和健壮性。
（ 4 ） 在计算效率方面，需要评估模型的推理时间，是否可以满足金融实时决策的需求。
（ 5 ） 在数据集规模方面，需要评估模型的预训练数据集是否包含足够广泛的金融业务案例。
（ 6 ） 在安全与隐私方面，需要评估模型在数据利用、传输等方面的安全治理和隐私保护措施。在监管符合性方面，需要评估模型运用是否符合金融监管要求。

8） ChatGPT OPENAI公司 聊天机器人
ChatGPT 提出，针对银行行业 大语言模型 应用的评估框架，强调了评估标准的五个方面：准确性、效率、资源消耗、模型透明度和系统兼容性。同时，评估模型的适配性与泛化力，并结合实践案例进行分析，以确保选择最适合特定业务的模型。然而，量化模型透明度、平衡性能与资源消耗以及确保评估客观性仍是面临的挑战。
（ 1 ） 评估框架必要性：在银行行业中， 大语言模型 应用广泛，评估框架对于选择适合特定业务的 大语言模型 至关重要。
（ 2 ） 评估标准：

• 准确性：包括精度、召回率、F1值等指标。
• 效率：涵盖训练时间、推理时间等指标。
• 资源消耗：涉及内存、计算资源等指标。
• 模型透明度：包括可解释性、可视化等指标。
• 系统兼容性：包括硬件、软件等指标。

（ 3 ） 适配性与泛化力：评估模型在不同数据和任务中的适应性和泛化力，以选择更适合的模型。
（ 4 ） 实践案例：通过案例研究指导模型选择与评估，帮助银行更好地应用 大语言模型 。
（ 5 ） 挑战：

• 量化模型透明度：探索如何量化模型的可解释性和可视化。
• 平衡性能与资源：探索如何在模型设计和训练中平衡性能和资源消耗。
• 评估客观性：设计客观的评估指标和方法，确保评估的客观性。

四、议题共识综述

经过综合专家观点，我们提炼出构建大语言模型选型评估框架的四大核心类别：性能与效果、定制与适配、成本与效益、发展与风险。这四个类别涵盖了模型的各个方面，从性能到成本，从定制到发展，全面评估模型的能力和潜力。

（1）性能与效果

• 综合性能评估：评估模型的准确性、效率、资源消耗、透明度和系统兼容性，确保模型能够在特定业务场景中提供卓越的性能。这包括了对模型在预测任务上的准确性、召回率、精确率等指标的评价，以及训练时间和推理时间的考量。
• 适配性与泛化力：评估模型在不同数据和任务中的适应性和泛化力，以选择更适合的模型。这可以通过交叉验证、模型选择在不同的数据集上进行。
• 实践案例分析：通过具体案例研究来指导模型的选择与评估，帮助理解模型的优点和局限性，以及如何根据具体需求进行调整。

（2）定制与适配

• 定制化适配：根据不同行业和业务需求，对大模型进行定制化调整，以满足特定功能和性能要求。这涉及到模型的功能需求、可扩展性、可用性、算法性能、可解释性、可管理性、安全性和隐私保护等方面的评估。
• 数据驱动与可解释性：评估模型的数据驱动能力，同时确保模型的可解释性和透明度，以满足监管和合规要求。这涉及到模型对于用户和其他相关方的解释能力，以及模型的可解释性、特征重要性等方面的评估。

（3）成本与效益

• 成本效益分析：考虑模型的性价比，平衡性能和成本，确保资源配置的经济合理性，同时避免在模型微调上的盲目投入。这包括了对模型许可费用、硬件资源需求等成本因素的分析。
• 社区支持与生态系统：考虑模型的技术支持和社区活跃度，这对于模型的长期维护和发展至关重要。这包括对厂商或开源社区提供的技术支持和社区支持的评价。

（4）发展与风险

• 持续学习与创新：定期回顾和更新评估框架，以适应技术的发展和业务需求的变化，同时鼓励创新和持续改进。这涉及到对模型的发展趋势和更新迭代计划的评估。
• 安全性与隐私保护：评估模型在数据安全和隐私保护方面的能力，确保模型的应用符合相关的安全政策和法规要求。这包括数据加密、访问控制、数据脱敏等安全措施的评价。
• 风险管理：在资源配置中考虑潜在风险，制定应急预案，确保在资源短缺或其他挑战面前，项目能够持续稳定推进。这包括了对模型的技术风险、市场风险等方面的评估。