国产大模型半年盘点：卷过GPT-4的都有谁？

开篇先说结论：这半年国产大模型进展速度超出预期，不止一家已经能在特定任务上媲美或超越GPT-4。🤖

先看部署层面，不少团队在上云和推理优化上下了功夫。百度ERNIE 4.0 Turbo在百度智能云上已支持动态批处理，延迟降低了30%以上，这对生产环境是实打实的利好。阿里通义千问系列也在ModelScope上放出了多个量化版本，4bit下仍能保持90%的原始精度，部署门槛大幅下降。

模型使用上，我最关注的是知识更新和长上下文。清华系的GLM-130B迭代后，上下文窗口扩展到128K，实测长文档摘要效果比半年前强一个量级。腾讯混元在代码生成场景下，对Python和SQL的支持已经接近GPT-4的90%水平，这在小规模测试中多次验证。

不过，个人感觉目前国产模型在复杂推理和指令跟随上还是差点火候，尤其多轮对话容易跑偏。社区里有没有人试过最新版通义千问的RAG功能？我最近在搭知识库，遇到向量召回精度抖动的坑，想听听你们的优化经验。🔥

个人实际测下来，GLM-130B 128K上下文真的香，处理财报长文能顶住不崩。不过好奇混元代码生成和GPT-4差距具体多大？有跑过HumanEval的对比数据吗？🤔