发布之初，蓝心大模型矩阵包含十亿、百亿、千亿三个参数量级，共5款自研大模型。其中1B（10亿参数）和7B（70亿参数）的蓝心大模型已经在vivo旗舰机型上实现了端侧化，70B（700亿参数）成为面向云端服务的主力模型。而参数量最大的蓝心大模型175B（1750亿参数），已经持平于外界普遍认为的ChatGPT-3.5参数量。
从实际表现来看，蓝心大模型在语言理解、文本创作等场景下能力非常优秀，中文语境能力一度在CEVAL、CMMLU等专业榜单上排名第一。
不过，仅仅做出一款业界领先的大模型，对消费者来说就够了吗？答案是否定的。
ChatGPT-3问世至今已经一年有余，形形色色的国产大模型也层出不穷，但是平心而论，这些大模型能够给普通人提供的服务仍然有限。甚至有大模型厂商直接表示，只做行业类服务，不会面向普通消费者。
究其原因，大模型的落地应用目前还面临两大难题。
首当其冲的，是贵。大模型训练有多烧钱，已经无需赘述。有报道指出，ChatGPT-3单次训练成本达到460万美元，每天的运营成本都要70万美元。vivo副总裁、OS产品副总裁、vivo AI全球研究院院长周围也曾经表述过，以vivo的用户体量，如果运营云端大模型，全年单单服务器成本可能就是十亿甚至百亿级别。
此外，大模型厂家无论是自行购置GPU进行训练，还是租用云服务器，费用都十分高昂。虽然很多大模型免费或者低价向普通用户开放，但是从盈利层面显然是不可持续的，需要企业级业务的补贴。
其次，对于普通用户来说，大模型往往也不是真的那么好用。
决定一款大模型性能的，除了算法之外，更重要的是数据和训练。对于通用大模型而言，虽然它们使用了全网海量数据进行训练，但是其输出结果也趋于泛化，未必符合用户的个性化需求。而网络数据的准确性难以保证，也会导致大模型输出结果的错误。
因此，企业级用户一般都需要使用专门数据来进一步训练模型。
那么对于个人用户来说，便宜和个性化，也是大模型落地最大的痛点。
