2025 年大模型盘点：DeepSeek 时刻、Llama 失宠、刷榜泛滥...

主要观点总结

本文主要基于Raschka的年度大盘点《The State Of LLMs 2025: Progress, Problems, and Predictions》进行介绍和分析，包括大模型的发展状况、关键技术和未来趋势等。

关键观点总结

关键观点1: 大模型的发展状况

文章介绍了大模型在2025年的发展状况，包括推理模型、RLVR与GRPO之年、大模型架构等方面的发展，以及大模型在编程、写作和研究等领域的应用。

关键观点2: GRPO成为年度研究宠儿

GRPO概念有趣且实验成本可接受，成为今年大模型研究的重要方向。

关键观点3: 大模型的架构和效率优化

顶级模型仍然使用经典的Decoder风格Transformer，但开源大模型基本趋同于使用MoE层、效率优化的注意力机制等。大模型的架构将持续发展，效率和工程优化将越来越重要。

关键观点4: 推理扩展和工具调用

通过扩展训练数据和架构来改进大模型是一个持续有效的公式，但今年不再是唯一有效的方法。工具调用成为大模型改进的重要方向，但开源生态还未完全跟上。

关键观点5: 私有数据的重要性

大模型开发正变得越来越商品化，私有数据的重要性逐渐凸显。开发受益于私有数据的企业将有可能内部开发大模型。

关键观点6: 未来趋势预测

文章预测了大模型在2026年的发展趋势，包括扩散模型的广泛应用、工具调用的普及、RLVR的扩展以及benchmark的进步等方面。