时间线从2023年2月24日开始，Meta推出了LLaMA模型，虽然开源了代码，却没有开源模型权重。LLaMA模型可以说是相对较小的，拥有7B、13B、33B和65B参数的几种版本，训练时间相对较长，因此相对于其大小而言能力强大。

不久后的3月3日，LLaMA肆意泄露给公众。尽管现有许可证禁止将其用于商业目的，但从此以后，任何人都能够进行实验，加速了创新的步伐。

3月12日，Artem Andreenko把模型在树莓派上运行起来，此行动虽然实用性有限，却为后续的模型缩小化努力奠定了基础。

次日3月13日，斯坦福发布了Alpaca模型，对LLaMA进行了指令调整。更重要的是，他们采用低秩微调(low rank fine-tuning)，使得在单个RTX 4090显卡上数小时内完成训练成为可能。

3月18日，Georgi Gerganov使用4比特量化技术，使LLaMA在MacBook CPU上快速运行，实现了首个足够快速且无需GPU的实用方案。

第二天，一个跨大学合作团队发布了Vicuna模型，并声称与GPT-4有类似的性能。评估方法尽管存在疑问，模型的确比早期版本有实质性提升，训练成本仅300美元。

3月25日，Nomic创建了GPT4All——一个模型和生态系统，我们首次看到不同模型（包括Vicuna）集中在一个地方。训练成本为100美元。

同月28日，Cerebras对GPT-3结构进行了训练，利用了Chinchilla提供的最优计算时间表和μ-参数化的最优缩放，性能大幅超越现有的GPT-3克隆模型。

该天还出现了采用Parameter Efficient Fine Tuning (PEFT)技术并在一小时内引入指令调整和多模态能力的LLaMA-Adapter，设置了ScienceQA多模态任务的新标准。

4月3日，伯克利发布了完全使用公开数据训练的对话模型Koala，存在用户在该模型与ChatGPT之间难以区分的情况，超过一半的情况下用户更喜欢Koala或没有偏好，培训成本100美元。

到了4月15日，Open Assistant推出了一个模型和数据集，用于通过RLHF实现对齐。他们的模型在人类偏好方面非常接近ChatGPT (48.3%对51.7%)。更重要的是，因为数据集是公开的，所以即使对于小型实验者来说，使用RLHF也从难以实现变得既便宜又容易。

该文概况了2023年初LLaMA模型发布后的一系列重要发展，包括围绕模型的创新应用、培训成本的显著降低和开源生态系统的建立，突显出人工智能语言模型领域的快速演变和广泛影响。