收益：
- 认识 Meta (Llama)、Mistral、xAI (Grok)、DeepSeek 和 Cohere 的定位
- 确定哪些业务最适合开放式、区域性和注重成本的提供商
- 能够评估原产国和许可证作为选择标准
我们了解了美国三大提供商。然而，认为市场就是他们的全部就会忽视你拥有的一些最有价值的选择。 Meta，明确的领导者，Mistral，欧洲的骄傲，xAI，处理实时数据，DeepSeek，以其性价比脱颖而出，Cohere，专门从事企业文档查询；所有这些都可能比三大巨头更适合某些工作。在这个单元中，你将客观地了解这五位球员，他们的职位以及他们适合什么工作；您将了解为什么原产国和许可证是选择标准。
Meta — Llama Family（公开重量级领导者）
Meta 的 Llama 家族是公开重量级世界中最知名的名字。由于权重是可下载的，因此您可以在自己的服务器上运行它们并处理数据，而无需将其取出。有不同大小的版本：小型模型甚至可以在普通服务器上运行，而大型模型则需要强大的硬件。
突出的领域： 想要完全控制数据的机构；那些希望在大批量生产时实现成本可预测的人；以及那些想要使用自己的数据自定义（微调）模型的人。微调是通过使用您自己的示例重新训练来为您的业务定制现成的模型。
典型用户：拥有自己数据中心的大型机构、注重隐私的行业、拥有强大技术团队的公司。
注意：虽然 Llama 许可证是“开放”的，但它并不是无条件的；可能包括对超过特定活跃用户阈值的大型公司的额外要求。在投入运营之前，请与您的法律团队一起阅读许可证。
米斯特拉尔 — 欧洲的供应商
米斯特拉尔总部位于法国，因其欧洲血统而脱颖而出。它是一个“混合”提供商，因为它提供开放权重模型（例如 Mixtral）和封闭的、更强大的模型。对于欧洲有数据主权问题的组织来说，它是自然的候选者；因为提供商本身位于欧盟境内。
突出领域： 与遵守欧洲法律框架有关的机构；那些想要同一屋檐下的开放式重量灵活性和封闭式模型的便利性的人；和多语言欧洲语言支持。
典型用户：在欧盟运营且希望其数据保留在欧盟境内的中型和大型机构。
xAI — Grok（实时数据）
xAI 的 Grok 模型的定位是与 X（以前称为 Twitter）平台的集成以及对当前实时数据的访问。尽管它是一个通用模型，但它因其声称反映时事和社交媒体脉搏而引起关注。
突出的领域：时事跟踪、社交媒体分析、议程相关内容。当模型需要了解“刚刚发生”的事情时，实时连接就很有价值。
典型用户：社交媒体团队、监控品牌的营销人员、议程跟踪至关重要的内容制作者。
DeepSeek — 成本/性能（起源于中国）
中国的 DeepSeek 以其低成本提供强大的性能而脱颖而出，其部分型号是开放重量的。它提供了有竞争力的结果，特别是在推理密集型任务中，同时提供了价格优势。
突出的领域：具有高预算敏感性的大量推理工作；想要明确的重量灵活性但必须保持低成本的团队。
典型用户：以成本为中心的计划、进行大量分析的团队。
注意：DeepSeek源自中国。如果您要处理个人或商业秘密数据，请务必澄清数据的处理和存储位置。在您自己的服务器上运行 openweight 版本可以缓解这种担忧；使用云服务时应仔细评估数据主权。我们将在第 8 单元深入讨论这个主题。
Cohere — 企业搜索和 RAG
总部位于加拿大的 Cohere 定位于企业工作负载，而不是消费者聊天应用程序。它在 RAG（使用获取的知识生成）场景中尤其强大；也就是说，在模型响应之前从文档存档中查找并读取相关片段的系统中。它也是建立具有将文本转换为数字向量的“嵌入”模型的企业搜索基础设施的首选。 （嵌入是将文本的含义转换为数字，以便相似的文本可以并排放置。）
突出的领域：内部文档查询、智能搜索、知识库问答系统。
典型用户：拥有大量文档档案的机构、希望通过人工智能搜索其内部知识库的团队。
五位玩家并排
提供者
特色价值
重量
产地
典型工作
元（美洲驼）
全程控制，微调
打开
美国
自己服务器上的秘密业务
米斯塔拉尔
欧盟起源，灵活性
混合的
法国
欧盟数据主权
xAI（格洛克）
实时数据
关闭
美国
议程/社交媒体
深度搜索
成本/性能
打开
中国
高产量，以预算为导向
连贯
企业搜索/RAG
混合的
加拿大
文件查询
三个现实案例
案例 1 — 在欧盟运营的制造公司。一家在德国设有工厂的公司希望利用人工智能搜索技术文档，但不希望其数据流出欧盟。他们选择了 Mistral 基于欧盟的封闭模式；它既强大又符合法律框架。每月约 800,000 美元的象征性工作变成了可预测的账单，法律团队松了口气。
案例 2 — 预算有限的分析计划。一家八人数据分析初创公司每天必须对数以万计的短文本进行分类和总结，但其预算很紧张。他们在租用的服务器上运行 DeepSeek 的开放权重模型；因此，他们不按代币付费，并且通过从不取出数据来解决对数据来源的担忧。
案例 3 — 大型保险公司知识库。一家拥有数万份保单和程序文件的保险公司询问其员工“遇到这种情况该怎么办？”他希望能够向档案馆提出问题。他们正在使用 Cohere 的 RAG 和嵌入模型构建一个内部搜索系统。当员工提出问题时，系统首先查找相关文档，然后模型根据这些文档进行回答；因此，答案不是编造的，而是基于真实的文件。
弱提示/强提示
弱提示：
推荐一个便宜的人工智能模型。
强力提示：
您的角色：人工智能采购顾问。需求：每天将约 30,000 条简短的土耳其客户评论分类为正面/负面/中立。预算非常有限。数据不包含个人数据（匿名）。任务：推荐3个具有良好性价比的选项（包括开放重量）。写下每个月的估计成本范围、来源/数据说明和主要风险。最后，对试点提出一个建议。
强大的提示提供了真正可行的建议，因为它给出了数量、预算限制、数据类型和语言。
可复制模板
1. 替代提供商筛选：
列出三巨头（Anthropic/OpenAI/Google）之外可能适合以下任务 [任务] 的提供商：Meta、Mistral、xAI、DeepSeek、Cohere。为每一项写一行“为什么适合/为什么不适合”。
2. 来源和许可说明：
我正在考虑使用以下提供商 [PROVIDER]。原产国、重量类型和许可条款在数据主权方面给我带来了哪些风险？针对每种风险提出预防措施建议。
3. RAG 合规性检查：
我有 ~[NUMBER] 个文件，我希望员工提出有关这些文件的问题。这是 RAG 场景吗？如果是这样，您会推荐哪种提供商/模型类型（嵌入 + 生产）以及安装的前 3 个步骤是什么？
4.开放权重试点计划：
我们想在我们自己的服务器上试用这个开放权重模型 [MODEL]。创建一个粗略计划，其中包含硬件要求、安装步骤、预计时间以及第一周要遵循的 3 个成功指标。
常见错误
- 陷入三大提供商困境：最知名的提供商可能并不最适合您的特定业务；在没有评估替代方案之前不要做出决定。
- 将原产地误认为技术问题：原产地是数据主权和法律风险方面的战略标准，而不是普通标签。
- 将 RAG 与模型强度混淆：文档查询的成功通常来自良好的 RAG 设置，而不是最强大的模型。
- 假设开放式重量是免安装的：选择DeepSeek或Llama是因为它们是“免费”的并且不考虑硬件和维护负担。
- 高估了对实时性的需求：并非每个企业都需要实时数据；只有当及时性至关重要时，Grok 的优势才有意义。
综上所述
- Meta（Llama）开放重量且完全控制；米斯特拉尔欧盟起源和灵活性； xAI实时数据； DeepSeek 成本/性能； Cohere 凭借企业搜索/RAG 脱颖而出。
- 原产国和许可证是战略选择标准，特别是对于那些处理个人或机密数据的人来说。
- 在 RAG 场景中，成功来自于良好的文档获取设置，而不是最强的模型。
- 合适的提供商可能来自三大巨头之外，具体取决于业务类型、预算和法律框架。
应用任务
考虑您的企业是否需要查询文档（例如员工询问档案问题）。让 AI 模型使用本单元中的模板 3 评估您的情况（RAG 合身检查）。此外，如果您正在处理个人或机密数据，请使用第二个模板（来源说明和许可证）消除您考虑选择的提供商的数据主权风险。我们将在第 8 单元的 KVKK 研究中使用此输出。
清单
- [ ] 我可以匹配五位另类选手的突出价值和典型作品。
- [ ] 我可以根据开放重量、区域和以成本为中心的供应商适合的工作来区分它们。
- [ ] 我可以解释为什么原产国和许可证是选择标准。
- [ ] 我可以识别 RAG 场景并推荐适当的提供商类型。
- [ ] 我可以辨认出开放配重飞行员的大致步骤。