领域专业性：垂直领域大模型经过专门的训练，能够更好地理解和处理特定领域的知识、术语和上下文。

高质量输出：由于在特定领域中进行了优化，垂直领域大模型在该领域的输出质量通常比通用大模型更高。

特定任务效果更好：对于特定领域的任务，垂直领域大模型通常比通用大模型表现更好。

数据需求和训练成本：垂直领域大模型需要大量的特定领域数据进行训练，这可能会面临数据收集和标注的挑战。

适应性限制：垂直领域大模型在特定领域中的适应性较强，但在其他领域的表现可能相对较弱。

更新和维护成本：由于特定领域的知识和要求经常变化，垂直领域大模型需要定期更新和维护，以保持与最新发展的同步。

下面介绍几个知名度较高的垂直领域大模型，涉及教育、金融、医学、法律四个领域。

MathGPT 教育大模型

学而思正在进行自研数学大模型的研发，命名为MathGPT。面向全球数学爱好者和科研机构，以数学领域的解题和讲题算法为核心。据透露，MathGPT将先从中小学数学做起，逐步覆盖全年龄学段和解题种类。

目前已经取得阶段性成果，并将于年内推出基于该自研大模型的产品级应用。

BloombergGPT 金融大模型

近期根据彭博社报告显示，其构建迄今为止最大的特定领域数据集，并训练了专门用于金融领域的LLM，开发了拥有500亿参数的语言模型—BloombergGPT。

BloombergGPT 和 GPT模式一样，也是基于 Transformer架构的，采用的是译码器的技术路线。通过比较， BloombergGPT模型参数为500亿，在GPT-2 (1.5亿)和GPT-3 (1750亿)之间。Bloomberg构建了目前规模最大的金融数据集 FINPILE，通过对通用文本+金融知识的混合训练，使得 BloombergGPT在执行金融任务方面的表现超过了现有的通用 LLM模型，而在通用场景方面的表现则与现有的通用 LLM模型基本持平。

BenTsao 中文医学模型

https://github.com/SCIR-HI/Huatuo-Llama-Med-Chinese

本草原名华驼(HuaTuo)，是一个基于中文医学知识的LLaMA-7B微调模型。通过医学知识图谱和GPT3.5 API构建了中文医学指令数据集，并在此基础上对LLaMA进行了指令微调，提高了LLaMA在医疗领域的问答效果。

尝试利用GPT3.5 API将医学文献中的【结论】作为外部信息融入多轮对话中，在此基础上对LLaMA进行了指令微调。目前，团队只开放针对"肝癌"单个疾病训练的模型参数。在未来，我们计划发布融入文献结论的医学对话数据集，并且会针对“肝胆胰”相关16种疾病训练模型。

LaWGPT 中文法律知识模型

https://github.com/pengxiao-song/LaWGPT/

LaWGPT 是一系列基于中文法律知识的开源大语言模型，该系列模型在通用中文基座模型（如 Chinese-LLaMA、ChatGLM 等）的基础上扩充法律领域专有词表、大规模中文法律语料预训练，增强了大模型在法律领域的基础语义理解能力。在此基础上，构造法律领域对话问答数据集、中国司法考试数据集进行指令精调，提升了模型对法律内容的理解和执行能力。

不远的将来会有更多垂直领域的大模型面世，百模大战已经拉开序幕，AI渗透到千行百业只是时间问题，我们一起见证机器崛起吧。

原文链接： http://mp.weixin.qq.com/s?__biz=MzIwMjE3MDIwMA==&mid=2247487845&idx=1&sn=1ddd8b7298315cf822dc995d64783d5f&chksm=96e39b52a1941244f810be6dadff191934615eab3d685b06d1a7ffe66807575c97ed2a740ccd#rd