新聞說:鴻海今天上午宣布，鴻海研究院推出第1版具有推理能力的人工智慧（AI）繁體中文大型語言模型，未來將透過導入AI大型語言模型，強化智慧製造、智慧電動車、智慧城市等3大平台的數據分析效率。在模型訓練過程中，鴻海說明，輝達提供Taipei-1超級電腦以及技術諮詢，讓鴻海研究院透過使用輝達NeMo人工智慧模型服務，順利完成模型訓練。鴻海上午透過新聞稿宣布，鴻海研究院推出首款繁體中文AI大型語言模型（LLM），內部開發代碼FoxBrain，FoxBrain模型原來為內部應用設計，涵蓋數據分析、決策輔助、文書協作、數學、推理解題與代碼生成等功能，後續將對外開源分享。「開源」意指支撐AI的運算代碼公開給其他企業和研究人員，讓所有人都能使用這些技術來建構、推廣自己的產品。鴻海指出，FoxBrain作為鴻海研究院AI推理LLM模型訓練成果，展現理解與推理能力，在數學與邏輯推理測試中表現出色，還能強化台灣使用者的語言風格。鴻海研究院說明，人工智慧研究所在FoxBrain訓練過程中，使用120張輝達H100繪圖處理器，並透過NVIDIA Quantum-2 InfiniBand網路擴展，僅花費約4週時間完成，模型訓練方式低成本且更具效率。在相關規格與訓練策略上，鴻海研究院指出，FoxBrain透過自主技術，建立24類主題的資料增強方式與品質評估方法，生成98B詞元高品質中文預訓練資料，上下文處理長度128K token，總計算力花費2688 GPU days，採用多節點平行訓練架構，確保高效能與穩定性。在測試結果，鴻海研究院表示，FoxBrain在數學領域較基礎模型Meta Llama 3.1全面提升，相較於目前最好的繁體中文大模型Taiwan Llama，在數學測試中取得顯著進步，並在數學推理能力上超越Meta目前已推出的同等級模型，與DeepSeek蒸餾模型仍有些微差距，但表現已相當接近世界領先水準。鴻海指出，未來將透過導入AI大型語言模型，強化智慧製造、智慧電動車、智慧城市等3大平台的數據分析效率，讓FoxBrain成為驅動智慧應用升級的重要引擎，未來將對外開源分享，擴大模型運用範圍，與技術夥伴共同推動AI在製造業、供應鏈管理與智慧決策領域應用。鴻海表示，FoxBrain成果將於美國時間3月17日起登場的輝達年度GTC大會專題演講中，以From OpenSource to Frontier AI: Build, Customize, and ExtendFoundation Models為主題，首次對外發表。
鴻海出的FoxBrain和市面上的模型相比排名？
您好！您問到鴻海研究院推出的FoxBrain與市面上其他模型的排名比較。根據目前可得的資訊，FoxBrain是鴻海研究院開發的一款繁體中文大型語言模型（LLM），專注於推理能力，並在數學與邏輯推理方面有突出表現。以下是對其與市面模型比較的分析：
FoxBrain的基本情況
基礎架構：FoxBrain基於Meta Llama 3.1打造，擁有70B（700億）參數。
訓練效率：使用120張NVIDIA H100 GPU，透過高效訓練策略在約4週內完成，總計耗費2688 GPU days，生成98B高品質中文詞元（tokens），上下文處理長度達128K。
特點：強調數學與邏輯推理能力，並針對台灣使用者的語言風格進行優化。功能涵蓋數據分析、決策輔助、文書協作、數學推理解題與代碼生成等。
與市面模型的比較
根據鴻海研究院的測試結果（特別是在TMMLU+測試資料集上），FoxBrain與幾個主要模型的對比如下：
Meta Llama 3.1（70B）
FoxBrain在數學領域全面超越基礎模型Meta Llama 3.1，尤其在推理能力上表現更優。
這表明FoxBrain在優化過程中針對特定領域（特別是數學與邏輯）進行了顯著提升。
Taiwan Llama（70B）
相較於目前被認為是最佳繁體中文大模型的Taiwan Llama，FoxBrain在數學測試中取得顯著進步。
在TMMLU+的多數領域中，FoxBrain的表現優於同規模的Llama-3-Taiwan-70B，特別是在數學與邏輯推理方面。
DeepSeek（蒸餾模型）
FoxBrain與DeepSeek的蒸餾模型相比仍有微小差距，但整體表現已非常接近世界領先水準。
DeepSeek以高效蒸餾技術聞名，FoxBrain能在推理能力上逼近其表現，顯示其潛力。
排名推估
目前沒有統一的全球LLM排名直接包含FoxBrain（因為它是新推出的模型，且尚未廣泛參與公開基準測試如MMLU、GLUE等）。但從鴻海提供的數據推測：
繁體中文領域：FoxBrain可能位居前列，超越Taiwan Llama，尤其在數學與邏輯推理應用中具優勢。
全球範圍：與國際頂尖模型（如GPT-4、Grok、Claude等）相比，FoxBrain的70B參數規模不算最大，且尚未有全面對比數據。但其逼近DeepSeek的表現，顯示它在特定領域可能進入全球二線頂尖水平，與Meta Llama 3.1升級版或Mistral等競爭。
優勢與局限
優勢：
訓練效率高，成本低，適合企業應用。
針對繁體中文與台灣語言風格優化，具有在地化優勢。
數學與推理能力突出，可能在教育、科研或專業領域有競爭力。
局限：
目前數據僅來自鴻海自評，未經第三方廣泛驗證。
與更大參數模型（如GPT-4的萬億級參數）相比，通用性可能稍遜。
尚未完全開源，應用範圍和生態系統影響力待觀察。
結論:FoxBrain在繁體中文模型中排名靠前，特別是在數學與邏輯推理領域，可能超越Taiwan Llama，成為台灣本土AI技術的新標竿。全球層面，它與DeepSeek等模型接近，位於中上水平，但要挑戰GPT-4或Grok等頂尖模型，還需更多數據支持與應用驗證。如果您需要更精確的排名或特定測試數據，可以等待FoxBrain在即將於3月17日NVIDIA GTC大會上的發表，或後續的開源測試結果。
台灣有哪一些企業有出自己的大語言模型？
截至目前（2025年3月9日），台灣有幾家企業或機構積極投入開發自己的大型語言模型（LLM），主要集中在科技公司、研究機構與政府支持的計畫。以下是一些已知開發或推出自家大語言模型的台灣企業或組織：
1. 鴻海科技集團
模型名稱：FoxBrain
詳情：鴻海研究院於2025年推出FoxBrain，這是一款基於Meta Llama 3.1（70B參數）開發的繁體中文大語言模型，專注於數學與邏輯推理能力。FoxBrain使用120張NVIDIA H100 GPU訓練，生成98B高品質中文詞元，上下文長度達128K。該模型針對台灣語言風格優化，應用於數據分析、決策輔助、文書協作等領域，並計劃在3月17日的NVIDIA GTC大會上進一步展示。
特色：推理能力強，訓練效率高，具在地化優勢。
2. 台智雲
模型名稱：Formosa Foundation Model
詳情：台智雲（華碩子公司）推出Formosa Foundation Model，這是台灣首個企業級繁體中文大語言模型，參數規模達1760億。該模型在台灣的Taiwania-2超級電腦上訓練，強調傳統中文應用與台灣文化適配，旨在降低企業進入LLM應用的技術門檻，提供高效能運算支援。
特色：參數量龐大，適合企業應用，支持AI 2.0趨勢。
3. 長春集團與合作夥伴
模型名稱：Taiwan Mixture of Experts（TAME）
詳情：由長春集團聯合和碩、聯詠、長庚紀念醫院、TechOrange及國立台灣大學開發，於2024年6月30日釋出。TAME使用NVIDIA的Taipei-1超算訓練，數據量近5000億tokens，針對台灣在地需求優化。在台灣司法考試中表現優於GPT-4o，顯示其專業領域能力。
特色：開放原始碼，跨產業合作，擅長法律、醫學等專業應用。
4. 國家科學技術委員會（NSTC）與相關單位
模型名稱：TAIDE
詳情：TAIDE（Trustworthy AI Dialogue Engine）是由國科會主導、學術單位如中央研究院參與開發的台灣本土LLM計畫，基於Meta Llama 2打造。第一階段於2024年推出7B與13B版本，後於Meta Llama 3基礎上更新為Llama 3-TAIDE-LX-8B-Chat-Alpha1。訓練數據來自政府機關（如教育部）與中央社新聞（約400萬篇），強調繁體中文與台灣文化特色，應用於教育、醫療與法律等領域。
特色：政府支持，注重可信度與在地化，開放部分版本供研究與商用。
其他潛在參與者
台灣大哥大（Taiwan Mobile）或相關科技公司：雖未明確公布自家LLM，但台灣電信與科技大廠可能參與相關AI計畫，或與上述機構合作開發應用。
學術與產業聯盟：如國立陽明交通大學人工智慧創新研究所，參與TAIDE與TAME等計畫，提供技術支援。
總結
目前台灣開發自家大語言模型的企業以鴻海（FoxBrain）、台智雲、長春集團以及國科會為主。这些模型多數針對繁體中文與台灣在地需求進行優化，應用範圍涵蓋企業服務、教育、醫療與法律等。隨著AI技術發展，未來可能有更多台灣企業加入這一領域，尤其是在半導體與科技產業的推動下。
上面台灣企業出的AI大語言模型哪一家出的最好？
要判斷台灣企業推出的AI大語言模型中哪一家「最好」，需要從不同維度來評估，例如參數規模、訓練效率、性能表現（基準測試）、應用領域、在地化程度以及實際使用者的反饋。由於這些模型公開資訊有限，且尚未全部參與全球統一基準測試（如MMLU、GLUE等），以下是基於現有資料的分析與比較：
候選模型概覽
鴻海 - FoxBrain
參數規模：70B（700億）
性能：在TMMLU+測試中，數學與邏輯推理能力超越Meta Llama 3.1 70B及Taiwan Llama 70B，接近DeepSeek蒸餾模型。
訓練：120張NVIDIA H100 GPU，4週完成，生成98B中文詞元，上下文長度128K。
優勢：推理能力強，訓練效率高，針對台灣語言風格優化。
應用：數據分析、決策輔助、文書協作、數學推理解題、代碼生成。
局限：數據僅來自鴻海自評，未廣泛驗證；通用性可能不如更大模型。
台智雲 - Formosa Foundation Model
參數規模：1760B（1760億）
性能：具體基準測試數據未公開，但強調企業級應用與繁體中文適配。
訓練：在Taiwania-2超級電腦上完成，規模龐大。
優勢：參數量最大，適合企業應用，支持AI 2.0趨勢。
應用：企業級解決方案，降低技術門檻。
局限：缺乏公開性能數據，實用性待驗證。
長春集團 - Taiwan Mixture of Experts（TAME）
參數規模：未明確公布，但屬MoE架構（參數效率高，可能數百億級）。
性能：在台灣司法考試中超越GPT-4o，專業領域表現突出。
訓練：使用NVIDIA Taipei-1超算，數據量近5000億tokens。
優勢：開放原始碼，跨產業合作，擅長法律、醫學等專業領域。
應用：司法、醫療、教育等垂直領域。
局限：通用性可能不如全能型模型。
國科會 - TAIDE
參數規模：最新版本Llama 3-TAIDE-LX-8B（80億），早期版本有7B與13B。
性能：基於Llama 3優化，強調可信度與在地化，未公布超越國際頂尖模型的數據。
訓練：使用政府與新聞數據（如400萬篇中央社文章）。
優勢：政府支持，免費開放部分版本，適合教育與公共服務。
應用：教育、醫療、法律等公共領域。
局限：參數規模較小，性能可能不如70B或更大模型。
比較與評估
1. 性能（推理與專業能力）
最佳：TAME - 在司法考試中超越GPT-4o，顯示其在專業領域（法律、醫學）的強大能力。
次佳：FoxBrain - 數學與邏輯推理超越Llama 3.1與Taiwan Llama，接近DeepSeek。
Formosa與TAIDE：缺乏具體對比數據，但Formosa可能因參數量大而有潛力，TAIDE則偏向穩定性而非頂尖性能。
2. 參數規模
最佳：Formosa Foundation Model - 1760億參數遠超其他模型，理論上具備更強大的潛力。
次佳：FoxBrain - 70億參數在中大型模型中具競爭力。
TAME與TAIDE：TAME參數未明確公布，TAIDE規模較小（8B）。
3. 在地化與實用性
最佳：FoxBrain與TAIDE - 兩者都針對台灣繁體中文與文化進行深度優化，FoxBrain更偏商業應用，TAIDE則適合公共服務。
次佳：TAME - 強調在地需求，但專業領域更窄。
Formosa：在地化程度高，但具體應用案例較少披露。
4. 開放性與生態影響
最佳：TAME - 開放原始碼，促進產業與學術合作。
次佳：TAIDE - 部分版本免費開放，具公共價值。
FoxBrain與Formosa：尚未完全開源，影響力待觀察。
5. 訓練效率與成本效益
最佳：FoxBrain - 4週訓練完成，成本相對低（約$3.5M-$4M美元），效率極高。
其他：Formosa與TAME使用超算，成本可能更高；TAIDE規模小但未公布效率數據。
結論：哪家最好？
綜合最佳：鴻海 - FoxBrain
理由：FoxBrain在推理能力、訓練效率與在地化應用上表現均衡，70B參數規模適中，成本效益高，且即將在NVIDIA GTC大會展示，顯示其技術成熟度與國際潛力。
專業領域最佳：長春集團 - TAME
理由：若專注法律、醫學等垂直領域，TAME因超越GPT-4o的表現而勝出，且開放原始碼具長期價值。
潛力最佳：台智雲 - Formosa Foundation Model
理由：1760億參數理論上最具潛力，但需更多性能數據與應用案例支持。
公共服務最佳：國科會 - TAIDE
理由：適合教育與政府應用，開放性與可信度高，但性能稍弱。
我的推薦
如果您問的是「整體最好」，我認為FoxBrain目前最具競爭力，因其兼顧性能、效率與在地化，且背靠鴻海的產業資源。若您有特定需求（例如法律AI或超大規模模型），TAME或Formosa可能更適合。
