DeepSeek-V3
వివరణ
బలమైన Mixture-of-Experts (MoE) భాషా మోడల్, మొత్తం 671B పారామితులతో, ప్రతి టోకెన్కు 37B సక్రియం చేయబడుతుంది.
సంబంధిత సాధనాలు
DeepSeek-R1
DeepSeek మొదటి తరం రీజనింగ్ మోడల్స్, DeepSeek-R1-Zero మరియు DeepSeek-R1. DeepSeek-R1-Zero, సూపర్వైజ్డ్ ఫైన్-ట్యూనింగ్ (SFT) లేకుండా ప్రాథమిక దశగా పెద్ద ఎత్తున రీన్ఫోర్స్మెంట్ లెర్నింగ్ (RL) ద్వారా శిక్షణ పొందిన మోడల్, రీజనింగ్లో విశేషమైన పనితీరును ప్రదర్శించింది.
Llama 3
Llama3 అనేది Meta AI అభివృద్ధి చేసిన పెద్ద భాషా మోడల్. ఇది Meta యొక్క Llama2 భాషా మోడల్ యొక్క వారసుడు.<br>ఆన్లైన్ టెస్ట్ చిరునామా:<br>[huggingface.co/Meta-Llama-3-70B-Instruct](https://huggingface.co/chat/models/meta-llama/Meta-Llama-3-70B-Instruct)
grok-1
xAI ద్వారా ఓపెన్ సోర్స్ చేయబడిన పెద్ద భాషా మోడల్
Phi-3
Phi-3 అనేది Microsoft అభివృద్ధి చేసిన ఓపెన్ AI మోడళ్ల కుటుంబం. Phi-3 మోడల్స్ అందుబాటులో ఉన్న అత్యంత సామర్థ్యం మరియు ఖర్చు-సమర్థవంతమైన చిన్న భాషా మోడల్స్ (SLM), ఇవి వివిధ భాష, తార్కికం, కోడింగ్ మరియు గణిత బెంచ్మార్క్లలో ఒకే పరిమాణం మరియు తదుపరి పరిమాణం మోడళ్లను అధిగమిస్తాయి.
Gemma 4
Gemma 4 అనేది Google యొక్క తాజా ఓపెన్ సోర్స్ పెద్ద భాషా మోడల్ సిరీస్, ఇది Gemini ఆర్కిటెక్చర్ ఆధారంగా నిర్మించబడింది, మెరుగైన పనితీరు, పొడవైన సందర్భ విండోలు మరియు మెరుగైన బహుభాషా మద్దతును అందిస్తుంది.
Qwen3
Qwen3 అనేది Alibaba Cloudలోని Qwen టీమ్ అభివృద్ధి చేసిన పెద్ద భాషా మోడల్ సిరీస్. Qwen3-2507లో Instruct మరియు Thinking వేరియంట్లు ఉన్నాయి, 235B-A22B, 30B-A3B మరియు 4B పరిమాణాలు, 256K దీర్ఘ సందర్భం మరియు కొన్ని సందర్భాలలో 1M-టోకెన్ ఇన్పుట్ మద్దతు.