目前，AI大模型主要分为以下几种：

1、语言模型：这类模型主要用于自然语言处理（NLP）任务，例如：
* BERT（Bidirectional Encoder Representations from Transformers）
* RoBERTa（Robustly Optimized BERT Pretraining Approach）
* TransformerXL（ExtraLarge Transformer）
* XLNet（Extreme Language Modeling）
2、多模态模型：这类模型可以处理多种类型的数据，如图像、文本、音频等，例如：
* CLIP（Contrastive LanguageImage Pretraining）
* DALLE（Deep Learningbased Image Generation）
3、视觉模型：这类模型主要用于计算机视觉任务，例如：
* ViT（Vision Transformer）
* Swin Transformer（Shifted Window Transformer）
4、语音模型：这类模型主要用于语音识别、语音合成等任务，例如：
* Wav2Vec（WaveformtoVector）
* HuBERT（HiddenUnit BERT）
5、多任务模型：这类模型可以处理多种任务，例如：
* 通用人工智能模型（如Google的PaLM、Meta的LLaMA等）
6、科学计算模型：这类模型主要用于科学计算任务，例如：
* AlphaFold（蛋白质结构预测）
* DeepMind的Alpha系列模型（强化学习）

这些模型通常基于以下几种架构：

1、Transformer：基于自注意力机制的神经网络架构，广泛应用于NLP和多模态任务。
2、卷积神经网络（CNN）：主要用于计算机视觉任务。
3、循环神经网络（RNN）：主要用于序列任务，如语言建模、语音识别等。

这些模型的大小通常用参数量来衡量，参数量越大，模型的表达能力通常越强，但也需要更多的计算资源和数据来训练。