AI大模型主要分为以下几类：

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）：通过对输入文本进行双向编码来生成上下文敏感的词表示。
RoBERTa：一种优化的BERT版本，通过更长的时间训练和不同的训练数据获得了更好的性能。
TransformerXL：处理长距离依赖的模型，特别适用于需要理解长文本内容的任务。

2、图像模型：
Vision Transformers（ViT）：将Transformer结构应用于图像分类任务，通过将图像分成补丁并处理它们如同处理文本中的词一样。
ResNet：通过残差网络来提取图像特征。

3、多模态模型：
CLIP（Contrastive LanguageImage Pretraining）：通过对比学习的方式联合训练图像和文本的嵌入空间，使得模型能够理解图像和文本之间的关系。

4、生成模型：
生成对抗网络（GANs）：通过两个神经网络进行竞争来生成新数据样本。
变分自编码器（VAEs）：学习数据的概率分布以生成新样本。

5、强化学习模型：
适用于需要做出决策或采取行动以最大化回报的任务。

6、科学计算与专业模型：
AlphaFold：用于蛋白质结构预测的AI模型，利用深度学习来提高蛋白质结构预测的准确性。

7、通用人工智能（AGI）模型：
旨在实现更广泛的智能，模拟人类的认知能力。

这些只是AI大模型的一部分种类，实际应用中还会根据具体任务和领域进行更细致的划分和优化。