封神榜大模型（Fengshenbang-LM）：IDEA 研究院 CCNL 把「中文认知智能基础设施」开源给全社会

• 中文大模型开源体系
• 八大模型系列
• Apache-2.0
• 封神框架
• Hugging Face 同步
• 认知智能基础设施

一句话认识它：Fengshenbang-LM（封神榜大模型）是由粤港澳大湾区数字经济研究院（IDEA）旗下认知计算与自然语言研究中心（CCNL，负责人张家兴）主导的中文大模型开源体系，目标是成为中文 AIGC 与认知智能的通用基础设施；它并非单一模型，而是包含姜子牙、二郎神、闻仲、燃灯、余元、太乙、比干、周文王等八大系列的模型矩阵，并配套「封神框架」提供预训练与微调能力，项目整体以 Apache-2.0 许可开源，所有模型也同步至 Hugging Face 社区供几行代码调用。

上面这组数字勾勒出封神榜的定位：它不是某一个刷榜的「明星模型」，而是一张覆盖多种结构、多种尺寸、多种任务的中文预训练模型网络。对一个研究团队或小公司来说，真正有价值的不是某个 13B 模型本身，而是「总能找到一个最接近自己任务的底座，再继续训练」的体系化能力——这正是封神榜反复强调的「避免重复建设、为社会节省算力」的初衷。

封神榜按「任务类型 + 模型结构」组织模型，下面逐一拆开，看每个系列到底解决哪一类问题、参数跨度多大、代表模型是什么。

1. 姜子牙（Ziya）· 通用大模型 / AGI 探索基于 LLaMA 优化中文词表的大规模通用模型，代表 Ziya-LLaMA-13B（130 亿参数），经历继续预训练（PT）、多任务有监督微调（SFT）与人类反馈学习（RM/PPO）三阶段训练，具备翻译、编程、文本分类、信息抽取、摘要、文案生成、常识问答与数学计算等能力。代码按 Apache-2.0 开源，权重标注为开源不可商用。
2. 二郎神（Erlangshen）· 自然语言理解（NLU）以 Encoder 双向结构为主、1 亿–13 亿参数的理解模型。二郎神-1.3B 用 280G 数据、32 张 A100 训练 14 天，是当时最大的开源中文 BERT，2021 年 11 月登顶中文语言理解少样本基准 FewCLUE、2022 年 1 月再登顶零样本基准 ZeroCLUE。
3. 闻仲（Wenzhong）· 自然语言生成（NLG）Decoder 单向结构、1 亿–35 亿参数的生成模型，提供 Wenzhong-GPT2-110M、Wenzhong2.0-GPT2-3.5B 等多个不同参数量的生成模型，适用于写作、对话、文本续写等生成式场景。
4. 燃灯（Randeng）· 语言转换（NLT）T5/BART 编解码结构为主、7 千万–7 亿（另有更大版本）参数的序列到序列模型，面向机器翻译、文本摘要、问答等「源文本 → 目标文本」的转换任务。
5. 余元（Yuyuan）· 垂直领域模型多种结构、1 亿–35 亿参数，覆盖医疗、金融、法律、编程等垂直领域，拥有当时最大的开源 GPT2 医疗模型，为低资源专业场景提供可直接微调的底座。
6. 太乙（Taiyi）· 多模态 / AIGC双流结构、8 千万–1 亿（另有 10 亿）参数，应用于跨模态文本-图像生成、蛋白质结构预测、语音-文本表示等；其中 太乙-Stable-Diffusion-1B-Chinese-v0.1 是国内首个发布的中文 Stable Diffusion，开启中文 AI 绘画方向。
7. 比干（Bigan）· 语义纠错Transformer-XL 结构、11 亿参数的通用模型，专注语义纠错任务，可服务于文本清洗、错别字纠正、输入法后处理等需要「在不改变语义前提下修正表达」的链路。
8. 周文王（Wenwang）· 单双向统一语言模型基于 RoFormer 修改、1 亿–13 亿参数的单双向统一模型，是当时最大的同时进行 LM+MLM 训练的模型，兼顾理解与生成两端需求，也为封神榜自身的训练脚本与微调范式提供支撑。

封神榜的「分色」本质是「按任务选模型」。下面把五大类场景与对应系列对齐，方便你直接定位。

把封神榜放到 2022–2023 年的国产开源大模型坐标系里看，它与 ChatGLM、Baichuan（百川）等的最大差别不在「谁更大」，而在「体系形态」与「开放策略」。下面用一张表横向比较。

简言之：封神榜更像一个「中文模型百货商场」，强调结构多样性与「低成本继续训练」的共建理念；而 ChatGLM、Baichuan 更像是「单个强模型 + 商业生态」的路线。如果你需要的是在某个垂直 NLU / NLG / 多模态任务上快速拿一个中文底座微调，封神榜的细分系列反而更对症；如果你要的是开箱即用的通用对话助手，后两者更顺手。

• 高校与科研机构：缺算力但要做中文 NLP 研究，直接拉二郎神、闻仲等底座做少样本/零样本实验，论文可复现、可引用。
• 小公司与传统企业：没有训练大模型的条件，可在封神榜某个最接近任务的模型上继续训练，用最少算力拿到自己的模型。
• 垂直领域开发者：医疗、金融、法律场景可选余元，中文文生图可选太乙，不必从零收集与训练。
• 中文 AIGC 研究者：需要中文 Stable Diffusion 或跨模态生成基线的，太乙是中文社区早期可靠起点。

• 要商用产品直接上线者：部分权重标注「不可商用」，量产前务必逐模型核对 LICENSE 与权重许可，避免合规风险。
• 只想要一个聊天机器人：封神榜不是单一对话产品，姜子牙虽偏通用但部署与对齐仍需自己动手，不如直接用成熟对话服务。
• 追求最新 SOTA 者：仓库近年更新趋缓，若需要 2024 年以后的前沿能力，应并行关注更新的开源项目，封神榜更适合作历史与底座参考。
• 零代码用户：它面向研发者，使用需要 Python、PyTorch 与命令行环境，非技术用户门槛偏高。

封神榜的部署门槛因模型而异，关键在「选对尺寸」。二郎神-1.3B、闻仲-1.1B 这类十亿级模型，在单张消费级显卡（如 24G 显存的 RTX 3090/4090）上即可做推理与轻量微调；姜子牙 Ziya-LLaMA-13B 约需 26GB 存储、推理至少需要一张 24G 以上显卡，全量微调则明显更吃资源。好在其配套「封神框架」建立在 PyTorch / PyTorch-Lightning / DeepSpeed 之上，兼容 Hugging Face 模型结构，并提供了分布式预训练、下游微调与丰富 pipeline 脚本，研发者可以几行代码从 Hugging Face 拉起模型，再把精力放在自己任务的继续训练上，而不是重复造训练基建。