| 来源：中信建设证券 编辑：管理员 时间：2023/9/7 |
目前受欢迎的ChatGPT插件主要为效率工具。据ChatGPT plugin store，截至7月6日最受欢迎Top16插件包括 WebPilot、Prompt Perfect、Wolfram等，主要提供联网查找信息、计算、阅读整理文档等提高效率的帮助。 插件生态让ChatGPT兼具用户数与商业化上升空间。我们认为，效率工具等高频使用的插件，可为ChatGPT吸 引流量、提高生产办公效率；而购物、金融等涉及交易的插件，有望在后续为ChatGPT提供手续费收入。 16个最受欢迎ChatGPT插件（截至7月6日） 1 WebPilot 根据用户提供的URL浏览网页内容，并生 成摘要、总结、翻译等内容 2 Prompt Perfect 基于客户的描述生成提示语，适用于产 品、服务宣传等场景 3 Wolfram 计算和数据查询工具，用于数学计算、物 理公式求解、化学元素查询、历史事件查 询等 4 Show Me Diagrams 在聊天中直接创建和编辑图表,使得这些 复杂的概念或流程变得易于理解 5 AskYourPDF 根据用户提供的路径下载和搜索PDF，从 而查找问题答案并检索相关信息 6 Zapier 提供无代码集成平台，支持与超过 5000 应用程序进行交互 7 Speak 用于语言学习，帮助用户翻译和解释特定 的词语或短语 8 VoxScript 可用于搜索Youtube文本、财务数据源和 Google搜索结果等。 9 KeyMate.AI Search 利用通过AI驱动的自定义搜索引擎查找网页 10 KAYAK 预定酒店、机票及租车，提供旅程规划 11 Expedia 为用户提供关于住宿、航班、汽车租赁等 旅行相关查询和个性化建议 12 Video Insights 根据用户要求查找Youtube、Daily Motion等在线视频平台的内容 13 Link Reader 读取各类用户提供的链接的内容，如网 页、PDF、PPT、图片、Word等。 14 Noteable 创建和运行Python笔记本，帮助用户进 行数据分析、处理和可视化 15 ScholarAI 搜索科学研究成果和同行评审内容，并提 供原文链接 16 ChatWithPDF 根据用户提供的URL对PDF内容进行分析
|
| 信息推荐 |
| » ChatGPT插件：购物和电商、金融、自动化是数量最多的领域 |
| ChatGPT插件应用领域分为109个应用领域，其中数量最多的是：1)购物和电子商务(39个);2)金融(35个);3)自动化（31个）;媒体（25个）,教育（24个） |
| » ChatGPT插件数量快速增长，目前已达613个 |
| 将ChatGPT插 件的应用领域分成12大类,其中插件数量最多的应用领域是:1）内容与媒体（25.94%）;2）商业与金融（25.12%）3）技术与互联网（17.13%） |
| » ChatGPT Plus上线代码解释器，功能强 |
| 数据分析方面，代码解 释器可以阅读用户上传的数据，完成数据合并和清理，并基于用户需求建立数学模型进行分析和预测 |
| » ChatGPT访问量展望，ChatGPT与OpenAI仍在迭代，有望带动访问量回升 |
| ChatGPT乃至OpenAI的迭代,推进大模型能力普及;让模型能根据用户自然语言来调用函数;相比此前标准的4k版本,能处理更长的文本 |
| » 谷歌Bard推出,分流ChatGPT |
| 谷歌Bard正式向全球用户开放,进入超180个国家和地区,Bard网页版在23年5月的访问量快速提升,全球访问量达1.42亿次,较4月增长186.92% |
| » ChatGPT访问量下滑,多渠道发展，分流网页版流量 |
| ChatGPT的网页版chat.openai.com在PC端和移动端的访问量出现了下滑,6月全球月访问量较5月下滑9.7%,移动版发布或分流部分高频使用用户 |
| » ChatGPT是AIGC浪潮的一部分 |
| 早期萌芽阶段（1950s-1990s）该阶段AIGC仅限于小范围实验;沉淀积累阶段（1990s-2010s）从实验性向实用性转变; 快速发展阶段（2010s-至今） |
| » ChatGPT模型原理 |
| 收集描述性数据，并训练一个监督学习模型; 收集比较性数据，并训练一个奖励模型;用PPO强化学习算法对奖励模型最优化 |
| » ChatGPT采用监督学习+奖励模型进行语言模型训练 |
| 1、抽样出一个问题及其对应的几个模型输出结果; 2、标记员将这几个结果按质量排序; 3、将排序后的这套 数据结果用于训练奖励模型 |
| » ChatGPT核心技术-RLHF |
| ChatGPT核心技术主要是基于人工反馈的强化学习,让模型从两种反馈模式—人类评价奖励和环境奖励中学习策略，对 模型进行持续迭代式微调 |