| 基本信息 | 详情 |
|---|---|
| 开发公司 | BigScience（Hugging Face 协调，1000+名研究者参与） |
| 上线时间 | 2022年7月（176B版）；2022年5月（7B等小版本） |
| 官网 | https://huggingface.co/bigscience/bloom |
| 支持平台 | Hugging Face 平台（支持 Transformers 库，Linux/macOS/Windows） |
| 价格 | 免费下载（RAIL 许可，商用需遵守条件） |
| 核心定位 | 全球首个完全透明的开源大语言模型，176B参数，支持59种语言 |
BLOOM 是 BigScience 项目的大语言模型，全称 BigScience Large Open-science Open-access Multilingual Language Model。2022 年 7 月发布时，它是第一个你能真正从头到尾检查的 176B 参数模型--训练数据、代码、权重、甚至会议记录全部公开。
这个项目由 Hugging Face 协调，约 1000 名来自 70 多个国家的研究者参与，法国政府和 Hugging Face 等机构出资。在 Jean Zay 超级计算机上用 384 张 A100 80GB GPU 训练了约三个半月。放在 2022 年，这个规模跟 GPT-3 差不多，但 GPT-3 是闭源的，BLOOM 把一切都放在台面上。
起初我以为 BLOOM 只是个 GPT-3 的开源翻版。后来发现它的核心价值不在参数量，在透明度。Teven Le Scao（Hugging Face 研究员）说过一句话："我们想为资源受限环境的研究者打破壁垒，让他们也能用上强大的 AI 工具。"这不是口号--BLOOM 支持 46 种自然语言，包括斯瓦希里语、豪萨语这些大部分模型根本不碰的非洲语言。
到 2026 年，BLOOM 在性能上已经落后了。Mistral 7B 在 MMLU 上比 BLOOM 7B1 高出 16 个百分点，推理速度快 2 倍以上。但 BLOOM 仍然有它不可替代的价值：它是一个"教学模型"。想理解大模型怎么训练的，BLOOM 的公开数据、训练日志和评估过程是最好的教材。
核心功能
46 种语言 + 13 种编程语言
BLOOM 支持 59 种语言，覆盖范围远超同期模型。不只是英语、法语、中文这些大语种，还包括约鲁巴语、斯瓦希里语、孟加拉语等低资源语言。如果你做的是非洲或南亚市场，BLOOM 在这些语言上的表现仍然有参考价值。
完全开放的训练过程
ROOTS 语料库的 498 个数据来源全部公开。训练代码、超参数配置、中间检查点、评估脚本--一样不少。你能看到模型在每个训练阶段 loss 曲线的变化。这种透明度在 2022 年的商业大模型里根本不存在，到现在也只有少数项目能做到。
RAIL 许可证
BLOOM 采用 Responsible AI License，不是 Apache 2.0 也不是 MIT。你可以免费下载和商用，但需要遵守使用条款--不能用于生成恶意内容、不能用于违法用途。这个许可证比纯开源许可多一些限制，但比商业 API 的条款宽松得多。
多规格版本
BLOOM 不只有 176B。官方发布了从 560M 到 176B 的多个版本，包括 BLOOM 560M、1.1B、1.7B、3B、7B1（70.69B参数）和 176B。你可以根据硬件条件选不同规模的模型。7B1 版本在 INT4 量化后只需要约 3.9GB 显存。
ALiBI 位置编码
BLOOM 用 ALiBI（Attention with Linear Biases）替代传统的位置编码。好处是模型在推理时可以处理比训练时更长的序列，不需要重新训练。这在 2022 年是个有意思的架构选择，虽然后来 Rotary Position Embedding（RoPE）成了主流。
适合谁
适合： 研究大模型训练过程和数据构成的学者--BLOOM 的透明度让它成为最佳研究对象。做低资源语言（非洲语言、南亚语言）应用的开发者。想学习 Transformer 架构和分布式训练技术的学生。
不适合： 需要生产环境部署的团队--2026 年的 Mistral、DeepSeek、Qwen 在性能和效率上都远超 BLOOM。需要中文为主的场景--BLOOM 虽然支持中文，但训练数据以英语和欧洲语言为主。需要长上下文的场景--BLOOM 序列长度只有 2048 tokens，现代模型动辄 128K 以上。
同类竞品对比
| 维度 | BLOOM (176B) | Llama 2 (70B) | Mistral 7B | Falcon 180B |
|---|---|---|---|---|
| 发布时间 | 2022年7月 | 2023年7月 | 2023年9月 | 2023年9月 |
| 参数规模 | 176B | 70B | 7B | 180B |
| 语言数 | 46种+13种代码 | 主要英语 | 主要英语 | 多语言 |
| 序列长度 | 2048 | 4096 | 8192 | 2048 |
| 许可证 | RAIL | Llama Community | Apache 2.0 | Apache 2.0 |
| 透明度 | 极高（全公开） | 中等 | 中等 | 中等 |
FAQ
BLOOM 可以商用吗？
可以，但有条件。BLOOM 采用 RAIL 许可证，允许商用但要求遵守使用条款，包括不用于生成恶意内容。相比 Apache 2.0 限制更多，但远比商业 API 宽松。
BLOOM 支持中文吗？
支持，但效果一般。中文在 BLOOM 的训练数据中占比较小。中文场景建议用 Qwen、ChatGLM 等中文原生模型。
176B 版本需要什么硬件？
全精度推理需要约 350GB 显存，相当于 5 张 A100 80GB。INT8 量化后约 176GB，需要 3 张 A100。INT4 量化后约 88GB，1 张 A100 80GB 勉强能跑。建议用 7B1 或更小版本做开发测试。
BLOOM 和 GPT-3 哪个好？
GPT-3 在大部分任务上更强，但 GPT-3 是闭源的。BLOOM 的意义不在"比 GPT-3 强"，在于"你能用、能改、能研究的 176B 模型"。2022 年这是破天荒的事。
BLOOM 2026 年还值得用吗？
研究用，值得。生产用，不值得。Voiceflow 2026 年 7 月的评测直接说："不要在 BLOOM 上部署生产 Agent。Llama 4、Mistral、DeepSeek、Qwen 性能更好，成本更低。"
BigScience 项目是什么？
一个为期一年的国际研究合作，约 1000 名研究者参与，Hugging Face 协调。不只是训练一个模型--还包括构建数据集、制定伦理准则、开发评估方法。BLOOM 是这个项目的旗舰成果。
更新动态
BLOOM 项目本身已经不再活跃迭代。2023 年发布了 BLOOMZ（指令微调版）和 mT0（多语言微调版）后，BigScience 项目就完成了使命。2024 年以后，Llama 2、Mistral、DeepSeek 等新一代开源模型在性能上全面超越 BLOOM，BLOOM 的重心转向研究和教学。但它的遗产是深远的：BLOOM 证明了大规模完全透明的 AI 研究是可行的，影响了后来 Llama、Falcon 等模型的开源策略。
客户评论
BLOOM 作为开源研究项目没有传统的客户评分。以下评价来自开发者社区和评测机构。
评论一： "BLOOM 改变了人们对开源模型的预期。免费发布一个 176B 参数的多语言 LLM，连同数据和训练过程全部公开，它证明了严肃的 AI 不必锁在黑箱里。"--Voiceflow 技术评测团队（来源：Voiceflow 博客）
评论二： "在低资源语言上，BLOOM 仍然是标杆。我们做斯瓦希里语 NLP 任务时，BLOOM 7B1 比 Mistral 7B 高出 13 个百分点。英语场景换 Mistral，非洲语言场景还是得用 BLOOM。"--独立 NLP 研究者（来源：CSDN 开发者社区）
参考来源
- ▸HuggingFace | BLOOM 176B Model Card,Hugging Face 官方模型卡，包含参数规模、训练数据、许可信息和使用方法
- ▸Voiceflow | What's BLOOM and Why Is It Democratizing AI?,2026年7月更新的深度评测，含 BLOOM 在 2026 年开源模型格局中的定位分析
- ▸CSDN | BLOOM模型详解,开发者社区原创技术分析，含模型架构、训练目标和核心优势详解
- ▸CSDN | BLOOM 7B1 vs Mistral 7B 性能对决,两款7B模型的六维度对比测试，含推理速度、内存占用和微调效率数据
- ▸SourceForge | BLOOM vs ChatGPT,BLOOM 与 ChatGPT 的功能对比，含多语言能力对比