关于报告的所有内容，公众号『行业报告智库』阅读原文或点击菜单获取报告下载查看。
2025年，大模型领域迎来了飞速发展，技术革新不断推动着人工智能的边界。从国内到海外，各大科技巨头和初创企业纷纷在大模型赛道上加速布局，降本提效成为主旋律，模型性能和应用场景不断拓展。
大模型的发展离不开Transformer架构的出现。2017年，谷歌团队提出Transformer模型，其自注意力机制克服了传统循环神经网络（RNN）在处理长文本时的局限性，标志着自然语言处理（NLP）领域的分水岭时刻。Transformer架构的核心在于其编码器（Encoder）和解码器（Decoder）模块，以及多头注意力层和前馈神经网络层，这些设计使得模型能够高效地处理长文本序列，并捕捉复杂的语言模式。
此后，预训练Transformer模型时代开启。2018年，谷歌推出BERT模型，采用双向训练方法，显著提升了语言理解任务的性能；同年，OpenAI发布GPT模型，凭借自回归预训练强化了文本生成能力。2020年，OpenAI推出GPT-3，其1750亿参数规模开启了预训练侧的Scaling law叙事，展示了模型性能随参数规模、数据集大小和计算量增加而提升的规律。
国内大模型领域呈现出充分竞争的态势，降本提效成为核心目标。以DeepSeek为例，其在2023年成立后迅速推出多款模型，涵盖标准语言模型、推理模型和多模态模型。DeepSeek的模型家族不断升级，从DeepSeek-LLM 67B到DeepSeek-V3，性能不断提升，同时开源策略也推动了技术的普及。DeepSeek-R1推理模型在性能上全面对齐OpenAI的o1正式版，展现了国内模型在推理能力上的突破。
豆包大模型则在实时语音、视频生成和理解领域发力，2024年下半年月活用户数冲上全球第二。其Doubao-1.5-pro模型采用稀疏MoE架构，实现了小参数高性能，MoE杠杆提升至7倍，显著降低了训练和推理成本。此外，豆包开源的COMET通信优化技术，已在万卡集群部署中节省了数百万GPU小时，进一步推动了大模型的高效训练。
阿里云的Qwen系列模型则以开源策略引领国内大模型发展。Qwen 2.5-Max在多项基准测试中超越国际主流模型，其推理模型QwQ-32B在性能上比肩DeepSeek-R1满血版，同时大幅降低了部署成本。阿里云通过强化学习和优化训练策略，不断提升模型的推理能力和多模态交互性能。
海外大模型领域呈现出资源头部集中的趋势，各大科技巨头纷纷押注通用人工智能（AGI）。OpenAI作为全球AI大模型的风向标，其GPT系列不断迭代升级。2024年发布的Sora视频生成模型和o1推理模型，展示了OpenAI在多模态和复杂推理任务上的强大能力。2025年，OpenAI即将发布GPT-5，融合了多项先进技术，进一步推动了自然语言处理和多模态交互的发展。
谷歌的Gemini系列模型则面向智能体时代，其原生多模态能力在多个领域展现出领先优势。2024年发布的Gemini 2.0，不仅支持文本、图像、音频和视频的跨模态处理，还通过集成谷歌搜索和代码执行工具，拓展了模型的应用场景。谷歌通过加速智能体构建，推动了多模态功能和全场景适配的发展，目标是通过端侧和云端协同实现用户增长。
Meta的Llama系列模型则以开源策略赢得了市场的广泛关注。Llama 3.3在性能上实现了低成本高性能的突破，其推理部署成本大幅下降，输入成本降低了10倍，输出成本降低了近5倍。Meta通过优化Transformer架构和融合SFT、RLHF等技术，不断提升模型的性能和实用性，同时加速了智能体生态的构建。
未来，大模型的发展将更加注重后训练和算法优化。从模型架构的演进来看，MoE（混合专家模型）架构逐渐成为主流。MoE通过稀疏激活机制，实现了模型的降本提效，同时保持了高性能。国内外主流企业纷纷布局MoE架构，通过差异化推进大模型的落地应用，进一步提升了模型的通用性和可移植性。
合成数据作为AI时代的新石油，将在预训练阶段继续支撑模型的Scaling。随着高质量数据的逐渐耗尽，合成数据的重要性日益凸显。据预测，未来几年合成数据的市场规模将呈现稳步增长的趋势。
强化学习等后训练技术将成为提升模型推理能力的关键。DeepSeek通过纯强化学习范式，实现了模型在推理任务上的显著提升。其GRPO（群体相对策略优化）算法，相比传统的PPO（近端策略优化），大幅缩减了模型训练成本，同时提升了推理性能。这种后训练技术的创新，为大模型的未来发展提供了新的思路。
