先说差距。与其说是国内大模型和ChatGPT的差距，不如说是国内外所有其他开/闭源大模型和ChatGPT、Claude两个头部大模型之间的差距。差距大吗？从个别任务指标上看，差距似乎不大，甚至经常看到“平替”、“反超”之类的评测结果。大语言模型基准评价这件事，越是后来的模型，后发优势越明显，毕竟历届真题在手，目标明确，是有捷径可走的。从真实的使用感受上，至少个人而言，差距还是比较明显的，不管是对上下文和提示的理解和遵循，还是应答的内容和形式上的优美，都是如此。综合来看，我比较倾向LLM匿名竞技场(https://chat.lmsys.org/?arena)的结果，当然，这种评价多少有点主观，也受参与评价的人使用的提示中存在的偏差影响，期待更契合主观感受的全面基准早日出现。以上主要是通用角度，即使是特定任务，也是就通用能力而言的，比如推理、事实回答等。在垂直领域，比如企业客服，在检索+LLM这类应用框架下，应用效果是有的拼、甚至可以打平的。总而言之，现阶段，通用领域差距明显，垂域可以一战。
壁垒在哪？有了资本的加持，算力、数据(量)、团队都不是大问题。最大的问题在哪？在*细节*。从数据准备到模型训练，到人工反馈的组织和质量控制，到实用和安全、质量和并发等各种需要权衡的方面的考虑，处处都是细节。架构、模型都可以“泄露”，但真正决定性的工程细节，训练技巧和参数设定原则、训练预算的预测和规划、人工作业的编排和品控等，才是决定成败的关键。细节的考量从哪来？一靠知识储备，二靠潜心实践，简言之，就是“懂得多”且“踩坑多”。知识不是什么大问题，从框架到技巧，理解和掌握了足够多知识的人太多了，远不止OpenAI那几个人，这个时代，想靠什么独门的想法、技术独步天下，取得长远的优势，几乎不可能。静心做事、耐心打磨细节，在不断踩"坑"中不断完善，在产品的自然“成长”过程中获得的经验，是最无法逾越、难以在短时间内赶超的。这感觉，就像是人家在做 \int_{}^{}，一点一点长起来的，我们在做\Sigma，一块一块堆起来的，最后虽然高度差不多，细看这工艺水平，差别可就大了。细节能”抄“吗？也许能，但抄到的，只能是零星的皮毛，背后的感觉、思考和把控，那些真正能长期有效、应对未来各种新挑战的"元技能"，靠抄几乎不可能——靠”挖“也许行，但对于这么个庞大繁杂的工程，挖人也要”全面采样“，一两个人恐怕解决不了什么问题。更何况，大家都在同步推进，等你赶上人家现在的水平，也许人家已经上到另一个Level了。说到底，细节，以及背后对卓越的一致追求、团队上下的共识进而达成的共振、非功利耐心打磨付出的时间，才是真正的壁垒吧。