实体 · 心智与可能的心智，按证据排序
如果世界是一个模拟，心智可能是其中最难计算的东西之一。本指南列出已知的案例，从单个细胞到人类。它也涵盖迄今造出的人工系统，以及科学家和哲学家提出过、但没有人观察到的心智。
每个数字都有出处和置信标签。实测 是直接计数，估算 是由其他数据推算出来的，未计数 表示没有人发表过计数。这些系统中是否有任何一个有体验，是另一个问题。这方面的证据在感知能力标准和意识指标下。
个体心智
- 虎鲸 †431亿
- 长鳍领航鲸 †372亿
- 人类▲1163亿
- 港湾鼠海豚 †149亿
- 宽吻海豚 †127亿
- 柯氏喙鲸91亿
- 大猩猩85亿
- 红毛猩猩85亿
- 黑猩猩74亿
- 短吻真海豚67亿
- 竖琴海豹61亿
- 非洲象▼156亿
- 长须鲸52亿
- 蓝鲸51亿
- 小须鲸32亿
10610710810910101011neurons
显示数字
| # | 动物 | 皮层或端脑皮层 | 全脑 |
|---|---|---|---|
| 1 | 虎鲸 † | 431亿 | |
| 2 | 长鳍领航鲸 † | 372亿 | |
| 3 | 人类 | 163亿 | 861亿 |
| 4 | 港湾鼠海豚 † | 149亿 | |
| 5 | 宽吻海豚 † | 127亿 | |
| 6 | 柯氏喙鲸 | 91亿 | |
| 7 | 大猩猩 | 85亿 | |
| 8 | 红毛猩猩 | 85亿 | |
| 9 | 黑猩猩 | 74亿 | |
| 10 | 短吻真海豚 | 67亿 | |
| 11 | 竖琴海豹 | 61亿 | |
| 12 | 非洲象 | 56亿 | 2570亿 |
| 13 | 长须鲸 | 52亿 | |
| 14 | 蓝鲸 | 51亿 | |
| 15 | 小须鲸 | 32亿 | 574亿 |
| 16 | 东非狒狒 | 28.8亿 | 109.5亿 |
| 17 | 白鲸 | 27亿 | |
| 18 | 小抹香鲸 | 20.2亿 | |
| 19 | 蓝黄金刚鹦鹉 | 19.17亿 | 31.36亿 |
| 20 | 恒河猴 | 17.1亿 | 63.91亿 |
| 21 | 长颈鹿 | 16.7亿 | 112.1亿 |
| 22 | 松鼠猴 | 13.4亿 | 32.46亿 |
| 23 | 雕鸮 | 13.28亿 | 18.98亿 |
| 24 | 啄羊鹦鹉 | 12.81亿 | 21.49亿 |
| 25 | 雪鸮 | 12.7亿 | 18.08亿 |
| 26 | 渡鸦 | 12亿 | 21.71亿 |
| 27 | 灰林鸮 | 11.53亿 | 15.81亿 |
| 28 | 卷尾猴 | 11.4亿 | 36.91亿 |
| 29 | 葵花鹦鹉 | 11.35亿 | 21.22亿 |
| 30 | 非洲灰鹦鹉 | 8.5亿 | 15.66亿 |
| 31 | 秃鼻乌鸦 | 8.2亿 | 15.09亿 |
| 32 | 大捻角羚 | 7.93亿 | 60.9亿 |
| 33 | 长耳鸮 | 6.73亿 | 9.91亿 |
| 34 | 戈芬凤头鹦鹉 | 5.99亿 | 11.61亿 |
| 35 | 狮子 | 5.45亿 | 46.67亿 |
| 36 | 白尾海雕 | 5.43亿 | 16.54亿 |
| 37 | 松鸦 | 5.29亿 | 10.85亿 |
| 38 | 家犬 | 5.26亿 | |
| 39 | 条纹鬣狗 | 4.95亿 | 38.85亿 |
| 40 | 寒鸦 | 4.92亿 | 9.68亿 |
| 41 | 非洲鸵鸟 | 4.79亿 | 16.29亿 |
| 42 | 喜鹊 | 4.43亿 | 8.97亿 |
| 43 | 猎隼 | 4.43亿 | 12.04亿 |
| 44 | 鸸鹋 | 4.39亿 | 13.35亿 |
| 45 | 浣熊 | 4.38亿 | 21.48亿 |
| 46 | 仓鸮 | 4.37亿 | 6.9亿 |
| 47 | 纵纹腹小鸮 | 4.01亿 | 5.86亿 |
| 48 | 黑美洲鹫 | 3.99亿 | 10.09亿 |
| 49 | 花头鸺鹠 | 3.64亿 | 5.33亿 |
| 50 | 普通鵟 | 3.52亿 | 10.01亿 |
| 51 | 大美洲鸵 | 3.3亿 | 10.3亿 |
| 52 | 疣鼻天鹅 | 3.24亿 | 10.01亿 |
| 53 | 家猪 | 2.93亿 | 22.2亿 |
| 54 | 灰雁 | 2.59亿 | 7.38亿 |
| 55 | 棕熊 | 2.51亿 | 95.86亿 |
| 56 | 家猫 | 2.5亿 | 12.15亿 |
| 57 | 普通狨 | 2.45亿 | 6.38亿 |
| 58 | 红隼 | 2.38亿 | 6.25亿 |
| 59 | 绿翅鸭 | 1.67亿 | 3.75亿 |
| 60 | 虎皮鹦鹉 | 1.49亿 | 3.22亿 |
| 61 | 红胸黑雁 | 1.49亿 | 4.83亿 |
| 62 | 林鸳鸯 | 1.38亿 | 3.06亿 |
| 63 | 侏隼 | 1.32亿 | 3.5亿 |
| 64 | 云石斑鸭 | 1.3亿 | 3.87亿 |
| 65 | 印度孔雀 | 1.3亿 | 5.71亿 |
| 66 | 黄瘤冠雉 | 1.25亿 | 6.53亿 |
| 67 | 维多利亚冠鸠 | 1.18亿 | 5.79亿 |
| 68 | 绿头鸭 | 1.12亿 | 3.67亿 |
| 69 | 野火鸡 | 1.06亿 | 4.93亿 |
| 70 | 雀鹰 | 8783.2万 | 4.02亿 |
| 71 | 白冠长尾雉 | 8068.8万 | 3.87亿 |
| 72 | 原鸽 | 7200万 | 3.1亿 |
| 73 | 穴兔 | 7150万 | 5.13亿 |
| 74 | 红原鸡 | 6070万 | 2.21亿 |
| 75 | 智利鴩 | 5913万 | 2.41亿 |
| 76 | 斑胸草雀 | 5520万 | 1.36亿 |
| 77 | 冠鴩 | 5138.4万 | 2.18亿 |
| 78 | 斑尾林鸽 | 5132.51万 | 2.59亿 |
| 79 | 凹顶冠鴩 | 4829.2万 | 2.36亿 |
| 80 | 非洲环颈鸽 | 3999.75万 | 1.39亿 |
| 81 | 弗吉尼亚鹑 | 3911.2万 | 1.48亿 |
| 82 | 灰山鹑 | 3688.2万 | 1.7亿 |
| 83 | 大鼠 | 3100万 | 2亿 |
| 84 | 鹌鹑 | 2256.8万 | 1.18亿 |
| 85 | 蓝胸鹑 | 2052.3万 | 8047.8万 |
| 86 | 钻石斑鸠 | 1820.93万 | 8787.9万 |
| 87 | 小鼠 | 1370万 | 7090万 |
| 88 | 裸鼹鼠 | 531万 | 3362万 |
- 人类新皮层1.6 × 10¹⁴
- GPT-5.5 (OpenAI, 2026) *~4.7 × 10¹²
- Claude Fable 5 (Anthropic, 2026) *~3.5 × 10¹²
- Grok 3 (xAI, 2025)~3 × 10¹²
- Grok 4 (xAI, 2025)~3 × 10¹²
- Gemini 2.5 Pro (Google, 2025) *~3 × 10¹²
- Kimi K3 (Moonshot, 2026)~2.8 × 10¹²
- Qwen 3.8 Max (Alibaba, 2026)2.4 × 10¹²
- Qwen3.8-2.4T-A95B (Alibaba, 2026)2.4 × 10¹²
- Grok 4.7 (xAI, 2026) *~2.1 × 10¹²
- Llama 4 Behemoth (Meta AI, 2025)~2 × 10¹²
- GPT-4 (OpenAI, 2023)~1.8 × 10¹²
- DeepSeek-V4-Pro (DeepSeek, 2026)~1.6 × 10¹²
- LongCat-2.0 (Meituan Inc, 2026)~1.6 × 10¹²
- Switch (Google, 2021)1.6 × 10¹²
- GLaM (Google, 2021)1.2 × 10¹²
- PanGu-Σ (Huawei Noah's Ark Lab, 2023)1.1 × 10¹²
- Kimi K2.5 (Moonshot, 2026)~1 × 10¹²
- Composer 2 (Cursor, 2026)1 × 10¹²
- Kimi K2.6 (Moonshot, 2026)1 × 10¹²
- Composer 2.5 (Cursor, 2026)~1 × 10¹²
- MiMo-V2-Pro (Xiaomi Corp, 2026)1 × 10¹²
- MiMo-V2.5-Pro (Xiaomi Corp, 2026)~1 × 10¹²
- M6-T (Alibaba, 2021)~1 × 10¹²
- Kimi K2 (Moonshot, 2025)1 × 10¹²
- Qwen3-Max (Alibaba, 2025)~1 × 10¹²
- Ling-1T (Ant Group, 2025)1 × 10¹²
- Kimi K2 Thinking (Moonshot, 2025)~1 × 10¹²
- Inkling (Thinking Machines, 2026)~9.8 × 10¹¹
- Tencent Hy4 preview (Tencent, 2026)~7.7 × 10¹¹
- GLM-5.1 (Z.ai (Zhipu AI), 2026)7.5 × 10¹¹
- K-EXAONE 2.0 (LG AI Research, 2026)7.5 × 10¹¹
- DeepSeek V4.1 Flash (DeepSeek, 2026)~7.5 × 10¹¹
- GLM-5 (Z.ai (Zhipu AI), 2026)~7.4 × 10¹¹
- GLM-5.3 (Z.ai (Zhipu AI), 2026)7.4 × 10¹¹
- A.X K2 (SK Telecom, 2026)6.9 × 10¹¹
- DeepSeekMath-V2 (DeepSeek, 2025)6.8 × 10¹¹
- Mistral Large 3 (Mistral AI, 2025)6.8 × 10¹¹
- DeepSeek-V3（DeepSeek，2024）6.7 × 10¹¹
- DeepSeek-R1 (DeepSeek, 2025)6.7 × 10¹¹
104106108101010121014参数或突触
显示数字
| # | 系统 | 全部参数 | 每个词元使用 | 年份 | 类型 |
|---|---|---|---|---|---|
| 1 | 人类新皮层 | 1.6 × 10¹⁴ | 1.6 × 10¹⁴ | 突触 | |
| 2 | GPT-5.5 (OpenAI, 2026) * | ~4.7 × 10¹² | 2026 | 估算 | |
| 3 | Claude Fable 5 (Anthropic, 2026) * | ~3.5 × 10¹² | 2026 | 估算 | |
| 4 | Grok 3 (xAI, 2025) | ~3 × 10¹² | 2025 | 估算 | |
| 5 | Grok 4 (xAI, 2025) | ~3 × 10¹² | 2025 | 估算 | |
| 6 | Gemini 2.5 Pro (Google, 2025) * | ~3 × 10¹² | 2025 | 估算 | |
| 7 | Kimi K3 (Moonshot, 2026) | ~2.8 × 10¹² | 2026 | 估算 | |
| 8 | Qwen 3.8 Max (Alibaba, 2026) | 2.4 × 10¹² | 2.4 × 10¹² | 2026 | 架构未说明 |
| 9 | Qwen3.8-2.4T-A95B (Alibaba, 2026) | 2.4 × 10¹² | 9.5 × 10¹⁰ | 2026 | 混合专家 |
| 10 | Grok 4.7 (xAI, 2026) * | ~2.1 × 10¹² | 2026 | 估算 | |
| 11 | Llama 4 Behemoth (Meta AI, 2025) | ~2 × 10¹² | 2025 | 估算 | |
| 12 | GPT-4 (OpenAI, 2023) | ~1.8 × 10¹² | 2023 | 估算 | |
| 13 | DeepSeek-V4-Pro (DeepSeek, 2026) | ~1.6 × 10¹² | 2026 | 估算 | |
| 14 | LongCat-2.0 (Meituan Inc, 2026) | ~1.6 × 10¹² | 2026 | 估算 | |
| 15 | Switch (Google, 2021) | 1.6 × 10¹² | 1.6 × 10¹² | 2021 | 混合专家（活跃参数量未公布） |
| 16 | GLaM (Google, 2021) | 1.2 × 10¹² | 1.2 × 10¹² | 2021 | 混合专家（活跃参数量未公布） |
| 17 | PanGu-Σ (Huawei Noah's Ark Lab, 2023) | 1.1 × 10¹² | 1.1 × 10¹² | 2023 | 混合专家（活跃参数量未公布） |
| 18 | Kimi K2.5 (Moonshot, 2026) | ~1 × 10¹² | 2026 | 估算 | |
| 19 | Composer 2 (Cursor, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | 混合专家（活跃参数量未公布） |
| 20 | Kimi K2.6 (Moonshot, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | 混合专家（活跃参数量未公布） |
| 21 | Composer 2.5 (Cursor, 2026) | ~1 × 10¹² | 2026 | 估算 | |
| 22 | MiMo-V2-Pro (Xiaomi Corp, 2026) | 1 × 10¹² | 1 × 10¹² | 2026 | 架构未说明 |
| 23 | MiMo-V2.5-Pro (Xiaomi Corp, 2026) | ~1 × 10¹² | 2026 | 估算 | |
| 24 | M6-T (Alibaba, 2021) | ~1 × 10¹² | 2021 | 估算 | |
| 25 | Kimi K2 (Moonshot, 2025) | 1 × 10¹² | 1 × 10¹² | 2025 | 混合专家（活跃参数量未公布） |
| 26 | Qwen3-Max (Alibaba, 2025) | ~1 × 10¹² | 2025 | 估算 | |
| 27 | Ling-1T (Ant Group, 2025) | 1 × 10¹² | 5 × 10¹⁰ | 2025 | 混合专家 |
| 28 | Kimi K2 Thinking (Moonshot, 2025) | ~1 × 10¹² | 2025 | 估算 | |
| 29 | Inkling (Thinking Machines, 2026) | ~9.8 × 10¹¹ | 2026 | 估算 | |
| 30 | Tencent Hy4 preview (Tencent, 2026) | ~7.7 × 10¹¹ | 2026 | 估算 | |
| 31 | GLM-5.1 (Z.ai (Zhipu AI), 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） |
| 32 | K-EXAONE 2.0 (LG AI Research, 2026) | 7.5 × 10¹¹ | 7.5 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） |
| 33 | DeepSeek V4.1 Flash (DeepSeek, 2026) | ~7.5 × 10¹¹ | 2026 | 估算 | |
| 34 | GLM-5 (Z.ai (Zhipu AI), 2026) | ~7.4 × 10¹¹ | 2026 | 估算 | |
| 35 | GLM-5.3 (Z.ai (Zhipu AI), 2026) | 7.4 × 10¹¹ | 4 × 10¹⁰ | 2026 | 混合专家 |
| 36 | A.X K2 (SK Telecom, 2026) | 6.9 × 10¹¹ | 6.9 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） |
| 37 | DeepSeekMath-V2 (DeepSeek, 2025) | 6.8 × 10¹¹ | 6.8 × 10¹¹ | 2025 | 混合专家（活跃参数量未公布） |
| 38 | Mistral Large 3 (Mistral AI, 2025) | 6.8 × 10¹¹ | 4.1 × 10¹⁰ | 2025 | 混合专家 |
| 39 | DeepSeek-V3（DeepSeek，2024） | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2024 | 混合专家 |
| 40 | DeepSeek-R1 (DeepSeek, 2025) | 6.7 × 10¹¹ | 3.7 × 10¹⁰ | 2025 | 混合专家 |
| 41 | SenseChat 5.5 (SenseTime, 2024) | 6 × 10¹¹ | 6 × 10¹¹ | 2024 | 架构未说明 |
| 42 | Step 5 Preview (StepFun, 2026) | ~6 × 10¹¹ | 2026 | 估算 | |
| 43 | PaLM-E (Google, 2023) | ~5.6 × 10¹¹ | 2023 | 估算 | |
| 44 | Hunyuan-TurboS (Tencent, 2025) | 5.6 × 10¹¹ | 5.6 × 10¹¹ | 2025 | 混合专家（活跃参数量未公布） |
| 45 | LongCat-Flash (Meituan Inc, 2025) | ~5.6 × 10¹¹ | 2025 | 估算 | |
| 46 | Nemotron 3 Ultra (Nvidia, 2026) | ~5.5 × 10¹¹ | 2026 | 估算 | |
| 47 | PaLM (Google Research, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 稠密 |
| 48 | Minerva (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 稠密 |
| 49 | U-PaLM (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 稠密 |
| 50 | LMSI-Palm (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 稠密 |
| 51 | Flan-PaLM 540B (Google, 2022) | 5.4 × 10¹¹ | 5.4 × 10¹¹ | 2022 | 稠密 |
| 52 | Megatron-Turing NLG 530B (Microsoft, 2021) | 5.3 × 10¹¹ | 5.3 × 10¹¹ | 2021 | 稠密 |
| 53 | MegaScale (ByteDance, 2024) | ~5.3 × 10¹¹ | 2024 | 估算 | |
| 54 | A.X K1 (SK Telecom, 2025) | 5.2 × 10¹¹ | 5.2 × 10¹¹ | 2025 | 混合专家（活跃参数量未公布） |
| 55 | Doubao-pro (ByteDance, 2024) | ~5 × 10¹¹ | 2024 | 估算 | |
| 56 | Grok 4.20 (xAI, 2026) | ~5 × 10¹¹ | 2026 | 估算 | |
| 57 | Qwen3-Coder-480B-A35B (Alibaba, 2025) | 4.8 × 10¹¹ | 3.5 × 10¹⁰ | 2025 | 混合专家 |
| 58 | MiniMax-M3 (MiniMax, 2026) | 4.3 × 10¹¹ | 2.2 × 10¹⁰ | 2026 | 混合专家 |
| 59 | ERNIE-4.5-VL-424B-A47B (Baidu, 2025) | 4.2 × 10¹¹ | 4.7 × 10¹⁰ | 2025 | 混合专家 |
| 60 | Llama 3.1-405B (Meta AI, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | 稠密 |
| 61 | Llama 4 Maverick (Meta AI, 2025) | ~4 × 10¹¹ | 2025 | 估算 | |
| 62 | Jamba 1.5-Large (AI21 Labs, 2024) | 4 × 10¹¹ | 4 × 10¹¹ | 2024 | 混合专家（活跃参数量未公布） |
| 63 | Qwen3.5 397B-A17B (Alibaba, 2026) | ~4 × 10¹¹ | 2026 | 估算 | |
| 64 | Hunyuan-Large (Tencent, 2024) | 3.9 × 10¹¹ | 3.9 × 10¹¹ | 2024 | 混合专家（活跃参数量未公布） |
| 65 | GLM-4.7 (Z.ai (Zhipu AI), 2025) | ~3.6 × 10¹¹ | 2025 | 估算 | |
| 66 | GLM-4.6 (Z.ai (Zhipu AI), 2025) | ~3.6 × 10¹¹ | 2025 | 估算 | |
| 67 | GLM-4.5 (Z.ai (Zhipu AI), 2025) | 3.5 × 10¹¹ | 3.2 × 10¹⁰ | 2025 | 混合专家 |
| 68 | PaLM 2 (Google, 2023) | ~3.4 × 10¹¹ | 2023 | 估算 | |
| 69 | Med-PaLM 2 (Google Research, 2023) | ~3.4 × 10¹¹ | 2023 | 估算 | |
| 70 | Nemotron-4 340B (Nvidia, 2024) | 3.4 × 10¹¹ | 3.4 × 10¹¹ | 2024 | 稠密 |
| 71 | GLM-5.3-Flash (Z.ai (Zhipu AI), 2026) | ~3.2 × 10¹¹ | 2026 | 估算 | |
| 72 | Grok-1 (xAI, 2023) | ~3.1 × 10¹¹ | 2023 | 估算 | |
| 73 | Motif-3 (Motif Technologies, 2026) | 3.1 × 10¹¹ | 3.1 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） |
| 74 | SB-LM (Google, 2007) | ~3 × 10¹¹ | 2007 | 估算 | |
| 75 | Tencent Hy3 preview (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） |
| 76 | Tencent Hy3 (Tencent, 2026) | 3 × 10¹¹ | 3 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） |
| 77 | DeepSeek-V4-Flash (DeepSeek, 2026) | ~2.8 × 10¹¹ | 2026 | 估算 | |
| 78 | Gopher (DeepMind, 2021) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2021 | 稠密 |
| 79 | TML-Interaction-Small (Thinking Machines, 2026) | 2.8 × 10¹¹ | 2.8 × 10¹¹ | 2026 | 混合专家（活跃参数量未公布） |
| 80 | ST-MoE (Google, 2022) | ~2.7 × 10¹¹ | 2022 | 估算 | |
| 81 | ERNIE 3.0 Titan (Baidu, 2021) | 2.6 × 10¹¹ | 2.6 × 10¹¹ | 2021 | 稠密 |
| 82 | Solar Open2 250B (Upstage, 2026) | ~2.5 × 10¹¹ | 2026 | 估算 | |
| 83 | Aramco Metabrain AI (Saudi Aramco, 2024) | ~2.5 × 10¹¹ | 2024 | 估算 | |
| 84 | Yuan 1.0 (Inspur, 2021) | 2.5 × 10¹¹ | 2.5 × 10¹¹ | 2021 | 架构未说明 |
| 85 | DeepSeek-Coder-V2 236B (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | 混合专家（活跃参数量未公布） |
| 86 | DeepSeek-V2.5 (DeepSeek, 2024) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2024 | 混合专家（活跃参数量未公布） |
| 87 | K-EXAONE (LG AI Research, 2025) | 2.4 × 10¹¹ | 2.4 × 10¹¹ | 2025 | 架构未说明 |
| 88 | Qwen3-235B-A22B (Alibaba, 2025) | ~2.4 × 10¹¹ | 2025 | 估算 | |
| 89 | Qwen3-235B-A22B-Thinking (Alibaba, 2025) | ~2.4 × 10¹¹ | 2025 | 估算 | |
| 90 | P1-235B-A22B (Shanghai AI Lab, 2025) | ~2.4 × 10¹¹ | 2025 | 估算 | |
| 91 | Seed-1.6-Thinking (ByteDance, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | 混合专家（活跃参数量未公布） |
| 92 | MiniMax-M2 (MiniMax, 2025) | 2.3 × 10¹¹ | 1 × 10¹⁰ | 2025 | 混合专家 |
| 93 | MiniMax-M2.1 (MiniMax, 2025) | 2.3 × 10¹¹ | 2.3 × 10¹¹ | 2025 | 混合专家（活跃参数量未公布） |
| 94 | HyperCLOVA 204B (NAVER, 2021) | ~2 × 10¹¹ | 2021 | 估算 | |
| 95 | Amazon Titan (Amazon, 2023) | ~2 × 10¹¹ | 2023 | 估算 | |
| 96 | Falcon-180B (Technology Innovation Institute, 2023) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2023 | 稠密 |
| 97 | Jurassic-1-Jumbo (AI21 Labs, 2021) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2021 | 架构未说明 |
| 98 | BLOOM-176B (Hugging Face, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | 稠密 |
| 99 | BLUUMI (University of Turku, 2023) | ~1.8 × 10¹¹ | 2023 | 估算 | |
| 100 | InstructGPT 175B (OpenAI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | 稠密 |
| 101 | OPT-175B (Meta AI, 2022) | 1.8 × 10¹¹ | 1.8 × 10¹¹ | 2022 | 稠密 |
| 102 | BlenderBot 3 (McGill University, 2022) | ~1.8 × 10¹¹ | 2022 | 估算 | |
| 103 | GPT-3 175B (OpenAI, 2020) | 1.7 × 10¹¹ | 1.7 × 10¹¹ | 2020 | 稠密 |
| 104 | Palmyra X 004 (Writer, 2024) | ~1.5 × 10¹¹ | 2024 | 估算 | |
| 105 | FLAN 137B (Google Research, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | 架构未说明 |
| 106 | LaMDA (Google, 2022) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2022 | 架构未说明 |
| 107 | MEB (Microsoft, 2021) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2021 | 架构未说明 |
| 108 | Pangu Ultra (Huawei, 2025) | 1.4 × 10¹¹ | 1.4 × 10¹¹ | 2025 | 架构未说明 |
| 109 | DBRX (Databricks, 2024) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2024 | 混合专家（活跃参数量未公布） |
| 110 | GLM-130B (Tsinghua University, 2022) | 1.3 × 10¹¹ | 1.3 × 10¹¹ | 2022 | 稠密 |
| 111 | Pixtral Large (Mistral AI, 2024) | 1.2 × 10¹¹ | 1.2 × 10¹¹ | 2024 | 架构未说明 |
| 112 | Mistral Large 2 (Mistral AI, 2024) | ~1.2 × 10¹¹ | 2024 | 估算 | |
| 113 | Qwen3.5-122B-A10B (Alibaba, 2026) | ~1.2 × 10¹¹ | 2026 | 估算 | |
| 114 | Galactica (Meta AI, 2022) | ~1.2 × 10¹¹ | 2022 | 估算 | |
| 115 | Nemotron 3 Super (Nvidia, 2026) | ~1.2 × 10¹¹ | 2026 | 估算 | |
| 116 | gpt-oss-120b (OpenAI, 2025) | 1.2 × 10¹¹ | 5.1 × 10⁹ | 2025 | 混合专家 |
| 117 | Telechat2-115B (China Telecom, 2024) | 1.1 × 10¹¹ | 1.1 × 10¹¹ | 2024 | 架构未说明 |
| 118 | Kaiju Large (Character.ai, 2025) | ~1.1 × 10¹¹ | 2025 | 估算 | |
| 119 | Llama 4 Scout (Meta AI, 2025) | ~1.1 × 10¹¹ | 2025 | 估算 | |
| 120 | InternLM (Shanghai AI Lab, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | 稠密 |
| 121 | Solar Open 100B (Upstage, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | 架构未说明 |
| 122 | DLRM-2020 (Facebook AI, 2019) | 1 × 10¹¹ | 1 × 10¹¹ | 2019 | 稠密 |
| 123 | xTrimoPGLM -100B (Tsinghua University, 2023) | 1 × 10¹¹ | 1 × 10¹¹ | 2023 | 架构未说明 |
| 124 | Yi-Large (01.AI, 2024) | ~1 × 10¹¹ | 2024 | 估算 | |
| 125 | VAETKI (NC AI, 2025) | 1 × 10¹¹ | 1 × 10¹¹ | 2025 | 混合专家（活跃参数量未公布） |
| 126 | ESM3 (EvolutionaryScale, 2024) | 9.8 × 10¹⁰ | 9.8 × 10¹⁰ | 2024 | 架构未说明 |
| 127 | 小鼠新皮层 | 8.1 × 10¹⁰ | 8.1 × 10¹⁰ | 突触 | |
| 128 | Flamingo (DeepMind, 2022) | 8 × 10¹⁰ | 8 × 10¹⁰ | 2022 | 稠密 |
| 129 | Qwen3-Coder-Next (Alibaba, 2026) | ~8 × 10¹⁰ | 2026 | 估算 | |
| 130 | Qwen2-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | 稠密 |
| 131 | Qwen2.5-72B (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | 稠密 |
| 132 | Qwen2.5 Instruct (Alibaba, 2024) | 7.3 × 10¹⁰ | 7.3 × 10¹⁰ | 2024 | 稠密 |
| 133 | Qwen-72B (Alibaba, 2023) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2023 | 稠密 |
| 134 | Palmyra X 003 (Writer, 2024) | ~7.2 × 10¹⁰ | 2024 | 估算 | |
| 135 | Qwen1.5-72B (Alibaba, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | 稠密 |
| 136 | LLaVA-OV-72B (ByteDance, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | 稠密 |
| 137 | NVLM-X 72B (Nvidia, 2024) | ~7.2 × 10¹⁰ | 2024 | 估算 | |
| 138 | NVLM-H 72B (Nvidia, 2024) | ~7.2 × 10¹⁰ | 2024 | 估算 | |
| 139 | NVLM-D 72B (Nvidia, 2024) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2024 | 架构未说明 |
| 140 | MindLink-72B (Kunlun Inc., 2025) | 7.2 × 10¹⁰ | 7.2 × 10¹⁰ | 2025 | 架构未说明 |
| 141 | Chinchilla（DeepMind，2022） | 7 × 10¹⁰ | 7 × 10¹⁰ | 2022 | 稠密 |
| 142 | Llama 2-70B (Meta AI, 2023) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2023 | 稠密 |
| 143 | PPLX-70B-Online (Perplexity, 2023) | ~7 × 10¹⁰ | 2023 | 估算 | |
| 144 | Llama 3-70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | 稠密 |
| 145 | ALLaM adapted 70B (Saudi Data and Artificial Intelligence Authority, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | 架构未说明 |
| 146 | Llama 3.3 70B (Meta AI, 2024) | 7 × 10¹⁰ | 7 × 10¹⁰ | 2024 | 稠密 |
| 147 | Reka Core (Reka AI, 2024) | ~6.7 × 10¹⁰ | 2024 | 估算 | |
| 148 | LLaMA-65B (Meta AI, 2023) | 6.5 × 10¹⁰ | 6.5 × 10¹⁰ | 2023 | 稠密 |
| 149 | SNM-skip (Google, 2014) | ~6.2 × 10¹⁰ | 2014 | 估算 | |
| 150 | PaLI-X (Google Research, 2023) | ~5.5 × 10¹⁰ | 2023 | 估算 | |
| 151 | RT-2 (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | 架构未说明 |
| 152 | RT-2-X (Google DeepMind, 2023) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2023 | 架构未说明 |
| 153 | NLLB (Meta AI, 2022) | 5.5 × 10¹⁰ | 5.5 × 10¹⁰ | 2022 | 稠密 |
| 154 | BloombergGPT (Bloomberg, 2023) | 5.1 × 10¹⁰ | 5.1 × 10¹⁰ | 2023 | 稠密 |
| 155 | M4-50B (Google, 2019) | 5 × 10¹⁰ | 5 × 10¹⁰ | 2019 | 混合专家（活跃参数量未公布） |
| 156 | Mixtral 8x7B (Mistral AI, 2023) | ~4.7 × 10¹⁰ | 2023 | 估算 | |
| 157 | AlphaCode (DeepMind, 2022) | 4.1 × 10¹⁰ | 4.1 × 10¹⁰ | 2022 | 架构未说明 |
| 158 | Falcon-40B (Technology Innovation Institute, 2023) | 4 × 10¹⁰ | 4 × 10¹⁰ | 2023 | 稠密 |
| 159 | Qwen3-Omni-30B-A3B (Alibaba, 2025) | 3.5 × 10¹⁰ | 3 × 10⁹ | 2025 | 混合专家 |
| 160 | Yi-34B (01.AI, 2023) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2023 | 稠密 |
| 161 | Cambrian-1-34B (New York University (NYU), 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | 架构未说明 |
| 162 | Oryx 34B (Tsinghua University, 2024) | 3.4 × 10¹⁰ | 3.4 × 10¹⁰ | 2024 | 架构未说明 |
| 163 | Kaiju Medium (Character.ai, 2025) | ~3.4 × 10¹⁰ | 2025 | 估算 | |
| 164 | EXAONE 4.5 (LG AI Research, 2026) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2026 | 架构未说明 |
| 165 | Qwen2.5-32B (Alibaba, 2024) | 3.3 × 10¹⁰ | 3.3 × 10¹⁰ | 2024 | 稠密 |
| 166 | QwQ-32B (Alibaba, 2025) | ~3.3 × 10¹⁰ | 2025 | 估算 | |
| 167 | EXAONE 3.5 32B (LG AI Research, 2024) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2024 | 架构未说明 |
| 168 | EXAONE Deep 32B (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 架构未说明 |
| 169 | EXAONE 4.0 (LG AI Research, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 架构未说明 |
| 170 | Olmo 3 (Allen Institute for AI, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 架构未说明 |
| 171 | HyperCLOVA X SEED 32B Think (NAVER, 2025) | 3.2 × 10¹⁰ | 3.2 × 10¹⁰ | 2025 | 架构未说明 |
| 172 | Nemotron 3-Nano-30B-A3B (Nvidia, 2025) | ~3.2 × 10¹⁰ | 2025 | 估算 | |
| 173 | Tongyi DeepResearch (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | 架构未说明 |
| 174 | MM1-30B (Apple, 2024) | ~3 × 10¹⁰ | 2024 | 估算 | |
| 175 | Movie Gen Video (Meta AI, 2024) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2024 | 架构未说明 |
| 176 | AgentFounder-30B (Alibaba, 2025) | 3 × 10¹⁰ | 3 × 10¹⁰ | 2025 | 架构未说明 |
| 177 | PLUG (Alibaba, 2021) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2021 | 架构未说明 |
| 178 | Qwen Image (Alibaba, 2025) | 2.7 × 10¹⁰ | 2.7 × 10¹⁰ | 2025 | 架构未说明 |
| 179 | GenSLM (University of Chicago, 2022) | 2.5 × 10¹⁰ | 2.5 × 10¹⁰ | 2022 | 架构未说明 |
| 180 | ViT-22B (Google, 2023) | 2.2 × 10¹⁰ | 2.2 × 10¹⁰ | 2023 | 架构未说明 |
| 181 | KN-LM (Google, 2007) | ~2.1 × 10¹⁰ | 2007 | 估算 | |
| 182 | gpt-oss-20b (OpenAI, 2025) | 2.1 × 10¹⁰ | 2.1 × 10¹⁰ | 2025 | 混合专家（活跃参数量未公布） |
| 183 | RNN for 1B words (Google, 2013) | ~2 × 10¹⁰ | 2013 | 估算 | |
| 184 | GPT-NeoX-20B (EleutherAI, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 稠密 |
| 185 | UL2 (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 架构未说明 |
| 186 | Parti (Google Research, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 架构未说明 |
| 187 | GPT-3.5 Turbo (OpenAI, 2023) | ~2 × 10¹⁰ | 2023 | 估算 | |
| 188 | GPT-3.5 Turbo Instruct (OpenAI, 2023) | ~2 × 10¹⁰ | 2023 | 估算 | |
| 189 | SPHINX (Shanghai AI Lab, 2023) | ~2 × 10¹⁰ | 2023 | 估算 | |
| 190 | AlexaTM 20B (Amazon, 2022) | 2 × 10¹⁰ | 2 × 10¹⁰ | 2022 | 架构未说明 |
| 191 | CogAgent (Tsinghua University, 2023) | ~1.8 × 10¹⁰ | 2023 | 估算 | |
| 192 | Turing-NLG (Microsoft, 2020) | ~1.7 × 10¹⁰ | 2020 | 估算 | |
| 193 | CogVLM-17B (Tsinghua University, 2023) | 1.7 × 10¹⁰ | 1.7 × 10¹⁰ | 2023 | 架构未说明 |
| 194 | PaLI (Google, 2022) | ~1.7 × 10¹⁰ | 2022 | 估算 | |
| 195 | CodeT5+ (Salesforce, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | 架构未说明 |
| 196 | StarCoder (Hugging Face, 2023) | 1.6 × 10¹⁰ | 1.6 × 10¹⁰ | 2023 | 稠密 |
| 197 | ESM2-15B (Meta AI, 2022) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2022 | 架构未说明 |
| 198 | FunSearch (Google DeepMind, 2023) | ~1.5 × 10¹⁰ | 2023 | 估算 | |
| 199 | NVILA 15B (Nvidia, 2024) | 1.5 × 10¹⁰ | 1.5 × 10¹⁰ | 2024 | 架构未说明 |
| 200 | nekomata-14b (rinna, 2023) | 1.4 × 10¹⁰ | 1.4 × 10¹⁰ | 2023 | 架构未说明 |
| 201 | VILA1.5-13B (Nvidia, 2024) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2024 | 架构未说明 |
| 202 | VILA-13B (Nvidia, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 架构未说明 |
| 203 | mT5-XXL (Google, 2020) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2020 | 稠密 |
| 204 | mT0-13B (Hugging Face, 2022) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2022 | 架构未说明 |
| 205 | LLaVA (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 稠密 |
| 206 | InstructBLIP (Salesforce Research, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 架构未说明 |
| 207 | Jais (Cerebras Systems, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 架构未说明 |
| 208 | FinGPT-13B (University of California Los Angeles (UCLA), 2023) | ~1.3 × 10¹⁰ | 2023 | 估算 | |
| 209 | Ferret (Columbia University, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 架构未说明 |
| 210 | Skywork-13B (Kunlun Inc., 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 架构未说明 |
| 211 | LLaVA 1.5 (University of Wisconsin Madison, 2023) | 1.3 × 10¹⁰ | 1.3 × 10¹⁰ | 2023 | 稠密 |
| 212 | Volcano 13B (Korea University, 2023) | ~1.3 × 10¹⁰ | 2023 | 估算 | |
| 213 | Aya (Cohere Labs (formerly Cohere for AI), 2024) | ~1.3 × 10¹⁰ | 2024 | 估算 | |
| 214 | Kaiju Small (Character.ai, 2025) | ~1.3 × 10¹⁰ | 2025 | 估算 | |
| 215 | ByT5-XXL (Google, 2021) | ~1.3 × 10¹⁰ | 2021 | 估算 | |
| 216 | CoRe (Tsinghua University, 2023) | ~1.2 × 10¹⁰ | 2023 | 估算 | |
| 217 | DALL-E (OpenAI, 2021) | ~1.2 × 10¹⁰ | 2021 | 估算 | |
| 218 | Codex (OpenAI, 2021) | ~1.2 × 10¹⁰ | 2021 | 估算 | |
| 219 | T5-11B（Google，2019） | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2019 | 稠密 |
| 220 | UnifiedQA (Allen Institute for AI, 2020) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2020 | 稠密 |
| 221 | Unicorn (Allen Institute for AI, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | 架构未说明 |
| 222 | PLATO-XL (Baidu, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | 架构未说明 |
| 223 | CoEdiT-xxl (University of Minnesota, 2023) | ~1.1 × 10¹⁰ | 2023 | 估算 | |
| 224 | GQA-8-XXL (Google Research, 2023) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2023 | 架构未说明 |
| 225 | XLMR-XXL (Facebook AI Research, 2021) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2021 | 架构未说明 |
| 226 | Llama 3.2 11B (Meta AI, 2024) | 1.1 × 10¹⁰ | 1.1 × 10¹⁰ | 2024 | 稠密 |
| 227 | ERNIE 3.0 (Baidu, 2021) | 1 × 10¹⁰ | 1 × 10¹⁰ | 2021 | 稠密 |
| 228 | ERNIE-ViLG (Baidu, 2021) | ~1 × 10¹⁰ | 2021 | 估算 | |
| 229 | Qwen-VL (Alibaba, 2023) | ~9.6 × 10⁹ | 2023 | 估算 | |
| 230 | Generative BST (Facebook AI Research, 2021) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2021 | 架构未说明 |
| 231 | Sparse all-MLP (Meta AI, 2022) | 9.4 × 10⁹ | 9.4 × 10⁹ | 2022 | 混合专家（活跃参数量未公布） |
| 232 | CogVideo (Tsinghua University, 2022) | ~9.4 × 10⁹ | 2022 | 估算 | |
| 233 | eDiff-I (Nvidia, 2022) | ~9.1 × 10⁹ | 2022 | 估算 | |
| 234 | Eagle 2 (Nvidia, 2025) | 8.9 × 10⁹ | 8.9 × 10⁹ | 2025 | 架构未说明 |
| 235 | MoE-Multi (Jagiellonian University, 2017) | 8.7 × 10⁹ | 8.7 × 10⁹ | 2017 | 混合专家（活跃参数量未公布） |
| 236 | Qwen-Audio-Chat (Alibaba, 2023) | ~8.5 × 10⁹ | 2023 | 估算 | |
| 237 | Megatron-LM (Nvidia, 2019) | ~8.3 × 10⁹ | 2019 | 估算 | |
| 238 | BigSSL (Google, 2021) | ~8 × 10⁹ | 2021 | 估算 | |
| 239 | Nemotron-3-8B (Nvidia, 2023) | 8 × 10⁹ | 8 × 10⁹ | 2023 | 架构未说明 |
| 240 | Stable Diffusion 3 (Stability AI, 2024) | 8 × 10⁹ | 8 × 10⁹ | 2024 | 稠密 |
| 241 | Qwen3 Embedding (Alibaba, 2025) | 8 × 10⁹ | 8 × 10⁹ | 2025 | 混合专家（活跃参数量未公布） |
| 242 | Imagen (Google Brain, 2022) | ~7.8 × 10⁹ | 2022 | 估算 | |
| 243 | XGLM-7.5B (Meta AI, 2021) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2021 | 架构未说明 |
| 244 | RETRO-7B (DeepMind, 2022) | 7.5 × 10⁹ | 7.5 × 10⁹ | 2022 | 架构未说明 |
| 245 | OpenVLA (Stanford University, 2024) | 7.2 × 10⁹ | 7.2 × 10⁹ | 2024 | 架构未说明 |
| 246 | mPLUG-Owl2 (Alibaba, 2023) | ~7.1 × 10⁹ | 2023 | 估算 | |
| 247 | Goat-7B (National University of Singapore, 2023) | ~7 × 10⁹ | 2023 | 估算 | |
| 248 | Llama 2-7B (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | 稠密 |
| 249 | Llama Guard (Meta AI, 2023) | 7 × 10⁹ | 7 × 10⁹ | 2023 | 稠密 |
| 250 | Qwen-VL-Max (Alibaba, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | 稠密 |
| 251 | Mathstral (Mistral AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | 架构未说明 |
| 252 | Apollo 7B (Meta AI, 2024) | 7 × 10⁹ | 7 × 10⁹ | 2024 | 架构未说明 |
| 253 | Eurus-2-7B-PRIME (Tsinghua University, 2025) | ~7 × 10⁹ | 2025 | 估算 | |
| 254 | INTELLECT-MATH (Prime Intellect, 2025) | 7 × 10⁹ | 7 × 10⁹ | 2025 | 架构未说明 |
| 255 | Incoder-6.7B (Facebook AI Research, 2023) | 6.7 × 10⁹ | 6.7 × 10⁹ | 2023 | 架构未说明 |
| 256 | ProGen2-xlarge (Salesforce Research, 2022) | 6.4 × 10⁹ | 6.4 × 10⁹ | 2022 | 架构未说明 |
| 257 | GPipe (Google, 2018) | ~6 × 10⁹ | 2018 | 估算 | |
| 258 | InstructGPT 6B (OpenAI, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | 稠密 |
| 259 | Vega v2 (Wuhan University, 2022) | 6 × 10⁹ | 6 × 10⁹ | 2022 | 架构未说明 |
| 260 | ChatGLM3-6B (Z.ai (Zhipu AI), 2023) | ~6 × 10⁹ | 2023 | 估算 | |
| 261 | MolmoAct 2 (Allen Institute for AI, 2026) | ~5.5 × 10⁹ | 2026 | 估算 | |
| 262 | T-NLRv5 XXL (Microsoft, 2021) | 5.4 × 10⁹ | 5.4 × 10⁹ | 2021 | 架构未说明 |
| 263 | π0.6 (Physical Intelligence, 2025) | 5.3 × 10⁹ | 5.3 × 10⁹ | 2025 | 混合专家（活跃参数量未公布） |
| 264 | PaLI-3 (Google DeepMind, 2023) | 5 × 10⁹ | 5 × 10⁹ | 2023 | 架构未说明 |
| 265 | Mesh-TensorFlow Transformer 4.9B (Google Brain, 2018) | 4.9 × 10⁹ | 4.9 × 10⁹ | 2018 | 稠密 |
| 266 | W.A.L.T (Stanford University, 2023) | 4.7 × 10⁹ | 4.7 × 10⁹ | 2023 | 架构未说明 |
| 267 | CogView (Tsinghua University, 2021) | ~4 × 10⁹ | 2021 | 估算 | |
| 268 | Make-A-Scene (Meta AI, 2022) | ~4 × 10⁹ | 2022 | 估算 | |
| 269 | ONE-PEACE (Alibaba, 2023) | ~4 × 10⁹ | 2023 | 估算 | |
| 270 | Megatron-BERT (Nvidia, 2019) | 3.9 × 10⁹ | 3.9 × 10⁹ | 2019 | 稠密 |
| 271 | DALL·E 2 (OpenAI, 2022) | ~3.5 × 10⁹ | 2022 | 估算 | |
| 272 | Stable Diffusion XL (Stability AI, 2023) | ~3.4 × 10⁹ | 2023 | 估算 | |
| 273 | MusicGen (Meta AI, 2023) | ~3.4 × 10⁹ | 2023 | 估算 | |
| 274 | Gemini Nano-2 (Google DeepMind, 2023) | 3.3 × 10⁹ | 3.3 × 10⁹ | 2023 | 架构未说明 |
| 275 | Zidong Taichu (Chinese Academy of Sciences, 2021) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2021 | 架构未说明 |
| 276 | DeepNet (Microsoft Research, 2022) | 3.2 × 10⁹ | 3.2 × 10⁹ | 2022 | 架构未说明 |
| 277 | MS-ensemble-speech-recognition (Microsoft, 2016) | ~3.2 × 10⁹ | 2016 | 估算 | |
| 278 | BASIC-L (Google, 2021) | ~3.1 × 10⁹ | 2021 | 估算 | |
| 279 | BASIC-L + Lion (Google, 2023) | 3.1 × 10⁹ | 3.1 × 10⁹ | 2023 | 架构未说明 |
| 280 | LEP-AD (King Abdullah University of Science and Technology (KAUST), 2023) | 3 × 10⁹ | 3 × 10⁹ | 2023 | 架构未说明 |
| 281 | ViT-G/14 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 架构未说明 |
| 282 | ProtT5-XL-U50 (Technical University of Munich, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 架构未说明 |
| 283 | Swin Transformer V2 (Microsoft Research Asia, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 架构未说明 |
| 284 | LongT5 (Google Research, 2021) | 3 × 10⁹ | 3 × 10⁹ | 2021 | 架构未说明 |
| 285 | ReALM (Apple, 2024) | 3 × 10⁹ | 3 × 10⁹ | 2024 | 架构未说明 |
| 286 | Mesh-TensorFlow Transformer 2.9B (Google Brain, 2018) | ~2.9 × 10⁹ | 2018 | 估算 | |
| 287 | T5-3B (Google, 2019) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2019 | 稠密 |
| 288 | DPO on Pythia-2.8B (Stanford University, 2023) | 2.8 × 10⁹ | 2.8 × 10⁹ | 2023 | 稠密 |
| 289 | AFM-on-device (Apple, 2024) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2024 | 架构未说明 |
| 290 | PolyCoder (Carnegie Mellon University (CMU), 2022) | ~2.7 × 10⁹ | 2022 | 估算 | |
| 291 | Hybrid H3-2.7B (Stanford University, 2022) | ~2.7 × 10⁹ | 2022 | 估算 | |
| 292 | GPT3-2.7B (Stanford University, 2023) | 2.7 × 10⁹ | 2.7 × 10⁹ | 2023 | 架构未说明 |
| 293 | Meena (Google Brain, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | 稠密 |
| 294 | CPM-Large (Tsinghua University, 2020) | 2.6 × 10⁹ | 2.6 × 10⁹ | 2020 | 稠密 |
| 295 | Nucleotide Transformer (Nvidia, 2023) | ~2.5 × 10⁹ | 2023 | 估算 | |
| 296 | Fugatto 1 (Nvidia, 2024) | 2.5 × 10⁹ | 2.5 × 10⁹ | 2024 | 架构未说明 |
| 297 | CoAtNet (Google, 2021) | 2.4 × 10⁹ | 2.4 × 10⁹ | 2021 | 架构未说明 |
| 298 | GShard (Google, 2020) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2020 | 稠密 |
| 299 | SeamlessM4T (Facebook, 2023) | 2.3 × 10⁹ | 2.3 × 10⁹ | 2023 | 架构未说明 |
| 300 | Turing ULRv5 (Microsoft, 2021) | 2.2 × 10⁹ | 2.2 × 10⁹ | 2021 | 架构未说明 |
| 301 | CoCa (Google Research, 2022) | 2.1 × 10⁹ | 2.1 × 10⁹ | 2022 | 架构未说明 |
| 302 | MuseNet (OpenAI, 2019) | ~2 × 10⁹ | 2019 | 估算 | |
| 303 | Infinity (ByteDance, 2024) | 2 × 10⁹ | 2 × 10⁹ | 2024 | 架构未说明 |
| 304 | Seq2Seq LSTM (Google, 2014) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2014 | 稠密 |
| 305 | BEIT-3 (Microsoft, 2022) | ~1.9 × 10⁹ | 2022 | 估算 | |
| 306 | Ankh_large (Technical University of Munich, 2023) | 1.9 × 10⁹ | 1.9 × 10⁹ | 2023 | 架构未说明 |
| 307 | ViT-G/14 (Google Brain, 2021) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2021 | 架构未说明 |
| 308 | ViT-G (University of Washington, 2022) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2022 | 架构未说明 |
| 309 | Phenaki (University College London (UCL), 2022) | ~1.8 × 10⁹ | 2022 | 估算 | |
| 310 | Gemini Nano-1 (Google DeepMind, 2023) | 1.8 × 10⁹ | 1.8 × 10⁹ | 2023 | 架构未说明 |
| 311 | DistBelief Vision (Google, 2012) | ~1.7 × 10⁹ | 2012 | 估算 | |
| 312 | Whisper (OpenAI, 2022) | ~1.6 × 10⁹ | 2022 | 估算 | |
| 313 | GPT-2（OpenAI，2019） | ~1.5 × 10⁹ | 2019 | 估算 | |
| 314 | DeBERTa (Microsoft, 2021) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2021 | 架构未说明 |
| 315 | AR-LDM (Alibaba, 2022) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2022 | 架构未说明 |
| 316 | AudioLM (Google Research, 2023) | ~1.5 × 10⁹ | 2023 | 估算 | |
| 317 | BLIP-2 (Salesforce Research, 2023) | 1.5 × 10⁹ | 1.5 × 10⁹ | 2023 | 架构未说明 |
| 318 | LDM-1.45B (Heidelberg University, 2021) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2021 | 架构未说明 |
| 319 | Stable Diffusion (Runway, 2022) | 1.4 × 10⁹ | 1.4 × 10⁹ | 2022 | 稠密 |
| 320 | SEER (Facebook AI Research, 2021) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2021 | 架构未说明 |
| 321 | InstructGPT 1.3B (OpenAI, 2022) | 1.3 × 10⁹ | 1.3 × 10⁹ | 2022 | 稠密 |
| 322 | Megatron-LM (Nvidia, 2019) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2019 | 稠密 |
| 323 | RDT-1B (Tsinghua University, 2024) | ~1.2 × 10⁹ | 2024 | 估算 | |
| 324 | Gato (DeepMind, 2022) | 1.2 × 10⁹ | 1.2 × 10⁹ | 2022 | 架构未说明 |
| 325 | DINOv2 (Facebook AI Research, 2023) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2023 | 架构未说明 |
| 326 | Diffusion Renderer (Nvidia, 2025) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2025 | 架构未说明 |
| 327 | InternImage (Shanghai AI Lab, 2022) | 1.1 × 10⁹ | 1.1 × 10⁹ | 2022 | 架构未说明 |
| 328 | EVA-01 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | 1 × 10⁹ | 1 × 10⁹ | 2022 | 架构未说明 |
| 329 | Unsupervised High-level Feature Learner (Google, 2012) | ~1 × 10⁹ | 2012 | 估算 | |
| 330 | Conformer + Wav2vec 2.0 + Noisy Student (Google, 2020) | 1 × 10⁹ | 1 × 10⁹ | 2020 | 稠密 |
| 331 | HuBERT (Facebook AI Research, 2021) | ~1 × 10⁹ | 2021 | 估算 | |
| 332 | W2v-BERT (Google Brain, 2021) | 1 × 10⁹ | 1 × 10⁹ | 2021 | 稠密 |
| 333 | AudioGen (Meta AI, 2023) | ~1 × 10⁹ | 2023 | 估算 | |
| 334 | VideoMAE V2 (Nanjing University, 2023) | 1 × 10⁹ | 1 × 10⁹ | 2023 | 架构未说明 |
| 335 | TransE (Universite de Technologie de Compiègne – CNRS, 2013) | ~9.4 × 10⁸ | 2013 | 估算 | |
| 336 | ImageBind (Meta AI, 2023) | ~9.3 × 10⁸ | 2023 | 估算 | |
| 337 | Big Transfer (Google Brain, 2019) | ~9.3 × 10⁸ | 2019 | 估算 | |
| 338 | Florence (Microsoft, 2021) | 8.9 × 10⁸ | 8.9 × 10⁸ | 2021 | 架构未说明 |
| 339 | NÜWA (Microsoft Research, 2021) | 8.7 × 10⁸ | 8.7 × 10⁸ | 2021 | 架构未说明 |
| 340 | MusicLM (Google, 2023) | 8.6 × 10⁸ | 8.6 × 10⁸ | 2023 | 架构未说明 |
| 341 | ResNeXt-101 32x48d (Facebook, 2018) | 8.3 × 10⁸ | 8.3 × 10⁸ | 2018 | 稠密 |
| 342 | FixRes ResNeXt-101 WSL (Facebook AI, 2019) | ~8.3 × 10⁸ | 2019 | 估算 | |
| 343 | ALIGN (Google Research, 2021) | 8.2 × 10⁸ | 8.2 × 10⁸ | 2021 | 架构未说明 |
| 344 | Statement Curriculum Learning (OpenAI, 2022) | ~7.7 × 10⁸ | 2022 | 估算 | |
| 345 | CodeT5-large (Salesforce, 2022) | ~7.7 × 10⁸ | 2022 | 估算 | |
| 346 | DITTO (Tsinghua University, 2022) | 7.5 × 10⁸ | 7.5 × 10⁸ | 2022 | 架构未说明 |
| 347 | FGN (Google DeepMind, 2025) | 7.2 × 10⁸ | 7.2 × 10⁸ | 2025 | 架构未说明 |
| 348 | data2vec (Meta AI, 2022) | ~7.1 × 10⁸ | 2022 | 估算 | |
| 349 | Tranception (University of Oxford, 2022) | 7 × 10⁸ | 7 × 10⁸ | 2022 | 架构未说明 |
| 350 | Word2Vec (Google, 2013) | ~6.9 × 10⁸ | 2013 | 估算 | |
| 351 | DiT-XL/2 (New York University (NYU), 2023) | 6.8 × 10⁸ | 6.8 × 10⁸ | 2023 | 架构未说明 |
| 352 | DiT-XL/2 + CADS (ETH Zurich, 2023) | ~6.8 × 10⁸ | 2023 | 估算 | |
| 353 | OmegaPLM (Massachusetts Institute of Technology (MIT), 2022) | 6.7 × 10⁸ | 6.7 × 10⁸ | 2022 | 架构未说明 |
| 354 | XLM (Facebook, 2019) | ~6.7 × 10⁸ | 2019 | 估算 | |
| 355 | ESM1b (Facebook AI Research, 2020) | 6.5 × 10⁸ | 6.5 × 10⁸ | 2020 | 稠密 |
| 356 | Segment Anything Model (Meta AI, 2023) | 6.4 × 10⁸ | 6.4 × 10⁸ | 2023 | 架构未说明 |
| 357 | ViT-Huge/14 (Google Brain, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | 稠密 |
| 358 | Masked Autoencoders ViT-H (Facebook AI Research, 2021) | ~6.3 × 10⁸ | 2021 | 估算 | |
| 359 | Retrieval-Augmented Generator (Facebook, 2020) | 6.3 × 10⁸ | 6.3 × 10⁸ | 2020 | 稠密 |
| 360 | DLDL (University of Oxford, 2016) | ~5.6 × 10⁸ | 2016 | 估算 | |
| 361 | ADM (OpenAI, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | 架构未说明 |
| 362 | TrOCR (Beihang University, 2021) | 5.6 × 10⁸ | 5.6 × 10⁸ | 2021 | 架构未说明 |
| 363 | XLM-RoBERTa (Facebook AI, 2019) | 5.5 × 10⁸ | 5.5 × 10⁸ | 2019 | 稠密 |
| 364 | LUKE (University of Washington, 2020) | ~4.8 × 10⁸ | 2020 | 估算 | |
| 365 | EfficientNet-L2 (Google, 2019) | ~4.8 × 10⁸ | 2019 | 估算 | |
| 366 | Noisy Student (Carnegie Mellon University (CMU), 2019) | 4.8 × 10⁸ | 4.8 × 10⁸ | 2019 | 稠密 |
| 367 | Meta Pseudo Labels (Google Brain, 2021) | ~4.8 × 10⁸ | 2021 | 估算 | |
| 368 | EMDR (Mila - Quebec AI (originally Montreal Institute for Learning Algorithms), 2021) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2021 | 架构未说明 |
| 369 | NMT Transformer 437M (Google, 2019) | 4.4 × 10⁸ | 4.4 × 10⁸ | 2019 | 稠密 |
| 370 | Adaptive Inputs + LayerDrop (Facebook AI Research, 2019) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2019 | 稠密 |
| 371 | ProtBERT-BFD (Technical University of Munich, 2021) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2021 | 架构未说明 |
| 372 | OntoProtein (Zhejiang University (ZJU), 2022) | ~4.2 × 10⁸ | 2022 | 估算 | |
| 373 | DeBERTaV3large + KEAR (Microsoft, 2022) | 4.2 × 10⁸ | 4.2 × 10⁸ | 2022 | 架构未说明 |
| 374 | BART-large (Facebook AI, 2019) | ~4.1 × 10⁸ | 2019 | 估算 | |
| 375 | SigLIP 400M (Google DeepMind, 2023) | 4 × 10⁸ | 4 × 10⁸ | 2023 | 架构未说明 |
| 376 | BERT-Large-CAS (Amazon, 2019) | ~4 × 10⁸ | 2019 | 估算 | |
| 377 | MoCo (Facebook AI, 2019) | ~3.8 × 10⁸ | 2019 | 估算 | |
| 378 | SimCLR (Google Brain, 2020) | ~3.8 × 10⁸ | 2020 | 估算 | |
| 379 | CLIP (OpenAI, 2021) | 3.7 × 10⁸ | 3.7 × 10⁸ | 2021 | 架构未说明 |
| 380 | RoBERTa Large (Facebook, 2019) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2019 | 稠密 |
| 381 | AbLang (University of Oxford, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | 架构未说明 |
| 382 | GPT-2 Medium (Stanford University, 2022) | 3.5 × 10⁸ | 3.5 × 10⁸ | 2022 | 稠密 |
| 383 | VALL-E (Microsoft, 2023) | ~3.5 × 10⁸ | 2023 | 估算 | |
| 384 | BERT-Large (Google, 2018) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2018 | 稠密 |
| 385 | XLNet (Carnegie Mellon University (CMU), 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | 稠密 |
| 386 | ERNIE-GEN (Baidu, 2020) | ~3.4 × 10⁸ | 2020 | 估算 | |
| 387 | CamemBERT (Facebook, 2019) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2019 | 稠密 |
| 388 | ELECTRA (Stanford University, 2020) | ~3.4 × 10⁸ | 2020 | 估算 | |
| 389 | German ELECTRA Large (deepset, 2020) | 3.4 × 10⁸ | 3.4 × 10⁸ | 2020 | 稠密 |
| 390 | ALM 1.0 (Beijing Academy of Artificial Intelligence / BAAI, 2022) | ~3.4 × 10⁸ | 2022 | 估算 | |
| 391 | MT-DNN (Microsoft, 2019) | 3.3 × 10⁸ | 3.3 × 10⁸ | 2019 | 稠密 |
| 392 | Fusion in Encoder (Samsung, 2022) | ~3.3 × 10⁸ | 2022 | 估算 | |
| 393 | wave2vec 2.0 LARGE (Facebook, 2020) | 3.2 × 10⁸ | 3.2 × 10⁸ | 2020 | 稠密 |
| 394 | CPC v2 (DeepMind, 2019) | ~3 × 10⁸ | 2019 | 估算 | |
| 395 | Transformer - LibriVox + Decoding/Rescoring (Facebook, 2019) | 3 × 10⁸ | 3 × 10⁸ | 2019 | 稠密 |
| 396 | DDPM-IP (Utrecht University, 2023) | ~3 × 10⁸ | 2023 | 估算 | |
| 397 | GNMT (Google, 2016) | ~2.8 × 10⁸ | 2016 | 估算 | |
| 398 | base LM+GNN+kNN (Shannon.AI, 2021) | 2.7 × 10⁸ | 2.7 × 10⁸ | 2021 | 架构未说明 |
| 399 | YOLO (University of Washington, 2015) | ~2.7 × 10⁸ | 2015 | 估算 | |
| 400 | Transformer-XL (Carnegie Mellon University (CMU), 2019) | ~2.6 × 10⁸ | 2019 | 估算 | |
| 401 | Transformer-XL + RMS dynamic eval (University of Edinburgh, 2019) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2019 | 稠密 |
| 402 | Transformer-XL Large + Phrase Induction (Massachusetts Institute of Technology (MIT), 2019) | ~2.6 × 10⁸ | 2019 | 估算 | |
| 403 | Segatron-XL large, M=384 + HCP (Microsoft Research, 2022) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2022 | 架构未说明 |
| 404 | Denoising Diffusion Probabilistic Models (University of California (UC) Berkeley, 2021) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2021 | 架构未说明 |
| 405 | Pangu-Weather (Huawei, 2023) | 2.6 × 10⁸ | 2.6 × 10⁸ | 2023 | 架构未说明 |
| 406 | SPN (Google Brain, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | 稠密 |
| 407 | S4 (Stanford University, 2021) | ~2.5 × 10⁸ | 2021 | 估算 | |
| 408 | Base LM + kNN LM + Continuous Cache (Stanford University, 2019) | ~2.5 × 10⁸ | 2019 | 估算 | |
| 409 | ERNIE-Doc (Baidu, 2020) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2020 | 稠密 |
| 410 | Adaptive Input Transformer + RD (Microsoft Research Asia, 2021) | ~2.5 × 10⁸ | 2021 | 估算 | |
| 411 | Transformer (Adaptive Input Embeddings) WT103 (Facebook AI Research, 2018) | 2.5 × 10⁸ | 2.5 × 10⁸ | 2018 | 稠密 |
| 412 | TaLK Convolution (Carleton University, 2020) | ~2.4 × 10⁸ | 2020 | 估算 | |
| 413 | ALBERT-xxlarge (Toyota Technological Institute at Chicago, 2020) | ~2.4 × 10⁸ | 2020 | 估算 | |
| 414 | SRU++ Large (ASAPP, 2021) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2021 | 架构未说明 |
| 415 | GR-2 (ByteDance, 2024) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2024 | 架构未说明 |
| 416 | MaskGIT (Google Research, 2022) | 2.3 × 10⁸ | 2.3 × 10⁸ | 2022 | 架构未说明 |
| 417 | MetNet (Google, 2020) | ~2.3 × 10⁸ | 2020 | 估算 | |
| 418 | FFN SwiGLU (Google, 2020) | 2.2 × 10⁸ | 2.2 × 10⁸ | 2020 | 稠密 |
| 419 | CodeT5-base (Salesforce, 2021) | ~2.2 × 10⁸ | 2021 | 估算 | |
| 420 | Transformer (Google Research, 2017) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2017 | 稠密 |
| 421 | Sandwich Transformer (Allen Institute for AI, 2019) | ~2.1 × 10⁸ | 2019 | 估算 | |
| 422 | EfficientNetV2-XL (Google, 2021) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2021 | 架构未说明 |
| 423 | Word2Vec (Google, 2013) | ~2.1 × 10⁸ | 2013 | 估算 | |
| 424 | Multilingual DNN (Google, 2013) | 2.1 × 10⁸ | 2.1 × 10⁸ | 2013 | 稠密 |
| 425 | DreamerV3 (DeepMind, 2023) | ~2 × 10⁸ | 2023 | 估算 | |
| 426 | DL scaling speech (Baidu, 2017) | ~1.9 × 10⁸ | 2017 | 估算 | |
| 427 | ResNeXt-101 Billion-scale (Facebook AI, 2019) | ~1.9 × 10⁸ | 2019 | 估算 | |
| 428 | (NTT Communication Science Laboratories, 2018) | 1.9 × 10⁸ | 1.9 × 10⁸ | 2018 | 稠密 |
| 429 | TrellisNet (Carnegie Mellon University (CMU), 2018) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2018 | 稠密 |
| 430 | DL scaling LM (Baidu, 2017) | ~1.8 × 10⁸ | 2017 | 估算 | |
| 431 | EXAONE Path 2.0 (LG AI Research, 2025) | 1.8 × 10⁸ | 1.8 × 10⁸ | 2025 | 架构未说明 |
| 432 | OpenAI Five Rerun (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | 稠密 |
| 433 | OpenAI Five (OpenAI, 2019) | 1.6 × 10⁸ | 1.6 × 10⁸ | 2019 | 稠密 |
| 434 | 4 layer QRNN (Salesforce Research, 2018) | ~1.5 × 10⁸ | 2018 | 估算 | |
| 435 | TransformerXL + spectrum control (University of California Los Angeles (UCLA), 2020) | ~1.5 × 10⁸ | 2020 | 估算 | |
| 436 | AlphaGeometry (Google DeepMind, 2024) | 1.5 × 10⁸ | 1.5 × 10⁸ | 2024 | 架构未说明 |
| 437 | PermuteFormer (Peking University, 2021) | ~1.5 × 10⁸ | 2021 | 估算 | |
| 438 | Fragment embedding (Stanford University, 2014) | ~1.4 × 10⁸ | 2014 | 估算 | |
| 439 | OverFeat (New York University (NYU), 2013) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2013 | 稠密 |
| 440 | VGG19 (University of Oxford, 2014) | ~1.4 × 10⁸ | 2014 | 估算 | |
| 441 | LRCN (UT Austin, 2014) | ~1.4 × 10⁸ | 2014 | 估算 | |
| 442 | Transformer-XL DeFINE (University of Washington, 2019) | ~1.4 × 10⁸ | 2019 | 估算 | |
| 443 | Deep Autoencoders (University of Toronto, 2011) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2011 | 稠密 |
| 444 | AlphaStar (DeepMind, 2019) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2019 | 稠密 |
| 445 | VGG16 (University of Oxford, 2014) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2014 | 稠密 |
| 446 | VGG-Face (University of Oxford, 2015) | 1.4 × 10⁸ | 1.4 × 10⁸ | 2015 | 稠密 |
| 447 | SAF R-CNN (Beijing Institute of Technology, 2015) | ~1.4 × 10⁸ | 2015 | 估算 | |
| 448 | Template Adaptation (University of Oxford, 2016) | ~1.4 × 10⁸ | 2016 | 估算 | |
| 449 | LRR-4X (UC Irvine, 2016) | ~1.4 × 10⁸ | 2016 | 估算 | |
| 450 | CMS-RCNN (IEEE, 2016) | ~1.4 × 10⁸ | 2016 | 估算 | |
| 451 | QRNN (Salesforce Research, 2018) | ~1.4 × 10⁸ | 2018 | 估算 | |
| 452 | Multiresolution CNN (Google, 2014) | ~1.3 × 10⁸ | 2014 | 估算 | |
| 453 | FTW (DeepMind, 2018) | ~1.3 × 10⁸ | 2018 | 估算 | |
| 454 | Feedback Transformer (LORIA, 2020) | ~1.3 × 10⁸ | 2020 | 估算 | |
| 455 | KEPLER (Tsinghua University, 2020) | 1.3 × 10⁸ | 1.3 × 10⁸ | 2020 | 稠密 |
| 456 | DL scaling Image (Baidu, 2017) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2017 | 稠密 |
| 457 | GloVe (Stanford University, 2014) | ~1.2 × 10⁸ | 2014 | 估算 | |
| 458 | Conformer (Google, 2020) | 1.2 × 10⁸ | 1.2 × 10⁸ | 2020 | 稠密 |
| 459 | GPT-1 (OpenAI, 2018) | ~1.2 × 10⁸ | 2018 | 估算 | |
| 460 | ContextNet (Google, 2020) | ~1.1 × 10⁸ | 2020 | 估算 | |
| 461 | SciBERT (Allen Institute for AI, 2019) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2019 | 稠密 |
| 462 | DNABERT (Northeastern University, 2021) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2021 | 架构未说明 |
| 463 | Contriever (Meta AI, 2021) | ~1.1 × 10⁸ | 2021 | 估算 | |
| 464 | BERT-RBP (Waseda University, 2022) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2022 | 稠密 |
| 465 | RoFormer (Zhuiyi Technology, 2023) | 1.1 × 10⁸ | 1.1 × 10⁸ | 2023 | 架构未说明 |
| 466 | LSTM LM (RWTH Aachen University, 2012) | ~1 × 10⁸ | 2012 | 估算 | |
| 467 | ReLU-Speech (Google, 2013) | ~1 × 10⁸ | 2013 | 估算 | |
| 468 | STORM-B/8 (University of Southern California, 2024) | 1 × 10⁸ | 1 × 10⁸ | 2024 | 架构未说明 |
| 469 | Support Vector Machines (AT&T, 1995) | ~1 × 10⁸ | 1995 | 估算 | |
| 470 | GPU DBNs (Stanford University, 2009) | 1 × 10⁸ | 1 × 10⁸ | 2009 | 稠密 |
| 471 | MSA Transformer (Facebook AI Research, 2021) | ~1 × 10⁸ | 2021 | 估算 | |
| 472 | YOLOX-X (Megvii Inc, 2021) | ~9.9 × 10⁷ | 2021 | 估算 | |
| 473 | DeLighT (University of Washington, 2020) | ~9.9 × 10⁷ | 2020 | 估算 | |
| 474 | ELMo (University of Washington, 2018) | ~9.4 × 10⁷ | 2018 | 估算 | |
| 475 | AlphaFold 2 (DeepMind, 2020) | ~9.3 × 10⁷ | 2020 | 估算 | |
| 476 | AlphaMissense (Google DeepMind, 2023) | ~9.3 × 10⁷ | 2023 | 估算 | |
| 477 | Octo-Base (University of California (UC) Berkeley, 2024) | 9.3 × 10⁷ | 9.3 × 10⁷ | 2024 | 架构未说明 |
| 478 | PolyNet (Chinese University of Hong Kong (CUHK), 2016) | ~9.2 × 10⁷ | 2016 | 估算 | |
| 479 | Transformer local-attention (Google Cloud, 2021) | 9 × 10⁷ | 9 × 10⁷ | 2021 | 架构未说明 |
| 480 | Transformer + Simple Recurrent Unit (ASAPP, 2018) | 9 × 10⁷ | 9 × 10⁷ | 2018 | 稠密 |
| 481 | NASNet-A (Google Brain, 2017) | ~8.9 × 10⁷ | 2017 | 估算 | |
| 482 | CLIP (OpenAI, 2021) | ~8.9 × 10⁷ | 2021 | 估算 | |
| 483 | Detic (Meta AI, 2022) | ~8.8 × 10⁷ | 2022 | 估算 | |
| 484 | MSRA (Microsoft Research, 2015) | 8.7 × 10⁷ | 8.7 × 10⁷ | 2015 | 稠密 |
| 485 | BigBiGAN (Google, 2019) | ~8.6 × 10⁷ | 2019 | 估算 | |
| 486 | ViT-Base/32 (Google Brain, 2020) | ~8.6 × 10⁷ | 2020 | 估算 | |
| 487 | DeiT-B (Meta AI, 2021) | 8.6 × 10⁷ | 8.6 × 10⁷ | 2021 | 架构未说明 |
| 488 | CaLM (University of Oxford, 2022) | ~8.6 × 10⁷ | 2022 | 估算 | |
| 489 | Tensor-Transformer (University of California (UC) Berkeley, 2020) | 8.5 × 10⁷ | 8.5 × 10⁷ | 2020 | 稠密 |
| 490 | ResNeXt-101 (University of California San Diego, 2016) | 8.3 × 10⁷ | 8.3 × 10⁷ | 2016 | 稠密 |
| 491 | RBM Image Classifier (University of Toronto, 2009) | ~8 × 10⁷ | 2009 | 估算 | |
| 492 | Routing Transformer (Google Research, 2020) | 8 × 10⁷ | 8 × 10⁷ | 2020 | 稠密 |
| 493 | Big-Little Net (IBM, 2018) | ~7.7 × 10⁷ | 2018 | 估算 | |
| 494 | EfficientDet (Google Brain, 2020) | ~7.7 × 10⁷ | 2020 | 估算 | |
| 495 | CODEFUSION (Microsoft, 2023) | 7.5 × 10⁷ | 7.5 × 10⁷ | 2023 | 架构未说明 |
| 496 | RNN LM (Johns Hopkins University, 2010) | ~7 × 10⁷ | 2010 | 估算 | |
| 497 | R-CNN (University of California (UC) Berkeley, 2013) | ~6.9 × 10⁷ | 2013 | 估算 | |
| 498 | Variational (University of Cambridge, 2015) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2015 | 稠密 |
| 499 | DistilBERT (Hugging Face, 2019) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2019 | 稠密 |
| 500 | Theseus 6/768 (University of California San Diego, 2020) | 6.6 × 10⁷ | 6.6 × 10⁷ | 2020 | 稠密 |
| 501 | ResNet-152 (Microsoft, 2015) | 6 × 10⁷ | 6 × 10⁷ | 2015 | 稠密 |
| 502 | AlexNet (University of Toronto, 2012) | 6 × 10⁷ | 6 × 10⁷ | 2012 | 稠密 |
| 503 | DETR (Facebook, 2020) | 6 × 10⁷ | 6 × 10⁷ | 2020 | 稠密 |
| 504 | YOLOv3 (University of Washington, 2018) | ~5.7 × 10⁷ | 2018 | 估算 | |
| 505 | Inception-ResNet-V2 (Google, 2016) | ~5.6 × 10⁷ | 2016 | 估算 | |
| 506 | Transformer ELMo (Allen Institute for AI, 2019) | 5.6 × 10⁷ | 5.6 × 10⁷ | 2019 | 稠密 |
| 507 | 果蝇大脑 | 5.5 × 10⁷ | 5.5 × 10⁷ | 突触 | |
| 508 | NAS with base 8 and shared embeddings (Google Brain, 2016) | 5.4 × 10⁷ | 5.4 × 10⁷ | 2016 | 稠密 |
| 509 | RetinaNet-R101 (Facebook AI Research, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | 稠密 |
| 510 | AWD-LSTM+WT+Cache+IOG (NTT Communication Science Laboratories, 2017) | 5.3 × 10⁷ | 5.3 × 10⁷ | 2017 | 稠密 |
| 511 | Hierarchical Scene Labeling (New York University (NYU), 2013) | 5.2 × 10⁷ | 5.2 × 10⁷ | 2013 | 稠密 |
| 512 | VD-LSTM+REAL Large (Salesforce Research, 2016) | 5.1 × 10⁷ | 5.1 × 10⁷ | 2016 | 稠密 |
| 513 | YOLOv2 (University of Washington, 2016) | ~5.1 × 10⁷ | 2016 | 估算 | |
| 514 | Dropout-LSTM+Noise (Columbia University, 2018) | ~5.1 × 10⁷ | 2018 | 估算 | |
| 515 | LSTM + dynamic eval (University of Edinburgh, 2017) | ~5 × 10⁷ | 2017 | 估算 | |
| 516 | Dropout (University of Toronto, 2012) | ~4.9 × 10⁷ | 2012 | 估算 | |
| 517 | Dropout: SVHN (University of Toronto, 2014) | 4.8 × 10⁷ | 4.8 × 10⁷ | 2014 | 稠密 |
| 518 | DistBelief Speech (Google, 2012) | ~4.7 × 10⁷ | 2012 | 估算 | |
| 519 | AlphaGo Zero (DeepMind, 2017) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2017 | 稠密 |
| 520 | Fine-tuned-AWD-LSTM-DOC (Samsung R&D Institute Russia, 2018) | 4.6 × 10⁷ | 4.6 × 10⁷ | 2018 | 稠密 |
| 521 | CT-MoS (Google, 2020) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2020 | 稠密 |
| 522 | JFT (Google Research, 2017) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2017 | 稠密 |
| 523 | ResNet-101 (Microsoft, 2015) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2015 | 稠密 |
| 524 | HR-ResNet101 (Carnegie Mellon University (CMU), 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | 稠密 |
| 525 | 3DMM-CNN (University of Southern California, 2016) | 4.5 × 10⁷ | 4.5 × 10⁷ | 2016 | 稠密 |
| 526 | LaNet-L (Brown University, 2019) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2019 | 稠密 |
| 527 | ProBERTa (University of Illinois Urbana-Champaign (UIUC), 2020) | 4.4 × 10⁷ | 4.4 × 10⁷ | 2020 | 稠密 |
| 528 | PreTrans-3L-250H (University of Toronto, 2013) | ~4.3 × 10⁷ | 2013 | 估算 | |
| 529 | Inceptionv4 (Google, 2016) | ~4.3 × 10⁷ | 2016 | 估算 | |
| 530 | GL-LWGC-AWD-MoS-LSTM + dynamic evaluation (Ben-Gurion University of the Negev, 2017) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2017 | 稠密 |
| 531 | U-Net (University of Freiburg, 2015) | 3.8 × 10⁷ | 3.8 × 10⁷ | 2015 | 稠密 |
| 532 | NASv3 (Google Brain, 2016) | ~3.7 × 10⁷ | 2016 | 估算 | |
| 533 | MuZero (DeepMind, 2019) | ~3.7 × 10⁷ | 2019 | 估算 | |
| 534 | AWD-LSTM-MoS + dynamic evaluation (Carnegie Mellon University (CMU), 2017) | ~3.5 × 10⁷ | 2017 | 估算 | |
| 535 | AWD-LSTM-MoS+PDR + dynamic evaluation (IBM, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | 稠密 |
| 536 | AWD-LSTM-MoS + dynamic evaluation (Peking University, 2018) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2018 | 稠密 |
| 537 | AWD-LSTM + MoS + Partial Shuffled (University of Texas at Austin, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | 稠密 |
| 538 | Mogrifier (d2, MoS2, MC) + dynamic eval (DeepMind, 2019) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2019 | 稠密 |
| 539 | Mogrifier RLSTM (DeepMind, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | 架构未说明 |
| 540 | RT-1 (Google, 2022) | 3.5 × 10⁷ | 3.5 × 10⁷ | 2022 | 架构未说明 |
| 541 | DenseNet-264 (Tsinghua University, 2016) | 3.4 × 10⁷ | 3.4 × 10⁷ | 2016 | 稠密 |
| 542 | RetinaNet-R50 (Facebook AI Research, 2017) | ~3.4 × 10⁷ | 2017 | 估算 | |
| 543 | Fraternal dropout + AWD-LSTM 3-layer (Jagiellonian University, 2017) | ~3.4 × 10⁷ | 2017 | 估算 | |
| 544 | AWD-LSTM-DRILL + dynamic evaluation† (IDIAP, 2019) | ~3.4 × 10⁷ | 2019 | 估算 | |
| 545 | AWD-LSTM - 3-layer LSTM (Salesforce Research, 2017) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2017 | 稠密 |
| 546 | TCAN (Nanjing University, 2020) | 3.3 × 10⁷ | 3.3 × 10⁷ | 2020 | 稠密 |
| 547 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | ~3.2 × 10⁷ | 2019 | 估算 | |
| 548 | Paragraph Vector (Google, 2014) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2014 | 稠密 |
| 549 | aLSTM (University of Manchester, 2018) | 3.2 × 10⁷ | 3.2 × 10⁷ | 2018 | 稠密 |
| 550 | StyleGAN2 (Nvidia, 2019) | 3 × 10⁷ | 3 × 10⁷ | 2019 | 稠密 |
| 551 | UDSMProt (Fraunhofer Heinrich Hertz Institute, 2019) | ~2.8 × 10⁷ | 2019 | 估算 | |
| 552 | SENet (Chinese Academy of Sciences, 2017) | ~2.8 × 10⁷ | 2017 | 估算 | |
| 553 | Perceiver IO (DeepMind, 2020) | 2.8 × 10⁷ | 2.8 × 10⁷ | 2020 | 稠密 |
| 554 | Fractional Max-Pooling (University of Warwick, 2014) | ~2.7 × 10⁷ | 2014 | 估算 | |
| 555 | Hierarchical Reasoning Model (Sapient Intelligence, 2025) | 2.7 × 10⁷ | 2.7 × 10⁷ | 2025 | 架构未说明 |
| 556 | RNN-WER (DeepMind, 2014) | ~2.6 × 10⁷ | 2014 | 估算 | |
| 557 | StyleGAN (Nvidia, 2018) | 2.6 × 10⁷ | 2.6 × 10⁷ | 2018 | 稠密 |
| 558 | PyramidNet (Korea Advanced Institute of Science and Technology (KAIST), 2017) | ~2.6 × 10⁷ | 2017 | 估算 | |
| 559 | ResNeXt-50 (University of California San Diego, 2016) | ~2.5 × 10⁷ | 2016 | 估算 | |
| 560 | AWD-LSTM (DeepMind, 2017) | 2.4 × 10⁷ | 2.4 × 10⁷ | 2017 | 稠密 |
| 561 | Inception v3 (Google, 2015) | ~2.4 × 10⁷ | 2015 | 估算 | |
| 562 | Mamba-24M (Carnegie Mellon University (CMU), 2023) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2023 | 架构未说明 |
| 563 | WeNet (Amazon, 2019) | ~2.3 × 10⁷ | 2019 | 估算 | |
| 564 | EN^2AS with performance reward (Beijing Institute of Technology, 2019) | ~2.3 × 10⁷ | 2019 | 估算 | |
| 565 | NAS+ESS (Northeastern University (China), 2020) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2020 | 稠密 |
| 566 | Xception (Google, 2016) | 2.3 × 10⁷ | 2.3 × 10⁷ | 2016 | 稠密 |
| 567 | MetaMimic (Google, 2018) | ~2.2 × 10⁷ | 2018 | 估算 | |
| 568 | MMLSTM (Beijing University of Posts and Telecommunications, 2019) | ~2.1 × 10⁷ | 2019 | 估算 | |
| 569 | Pointer Sentinel-LSTM (MetaMind Inc, 2016) | 2.1 × 10⁷ | 2.1 × 10⁷ | 2016 | 稠密 |
| 570 | DiffDock (Massachusetts Institute of Technology (MIT), 2022) | ~2 × 10⁷ | 2022 | 估算 | |
| 571 | EI-REHN-1000D (Korea Advanced Institute of Science and Technology (KAIST), 2017) | 1.9 × 10⁷ | 1.9 × 10⁷ | 2017 | 稠密 |
| 572 | TC-DNN-BLSTM-DNN (Carnegie Mellon University (CMU), 2015) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2015 | 稠密 |
| 573 | OR-WideResNet (Duke University, 2017) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2017 | 稠密 |
| 574 | BP-DBN (University of Toronto, 2009) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2009 | 稠密 |
| 575 | ALBERT (Toyota Technological Institute at Chicago, 2019) | 1.8 × 10⁷ | 1.8 × 10⁷ | 2019 | 稠密 |
| 576 | MedBERT (Peng Cheng Laboratory, 2021) | ~1.7 × 10⁷ | 2021 | 估算 | |
| 577 | LCNP NORB (, 2009) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2009 | 稠密 |
| 578 | LF-MMI (Johns Hopkins University, 2016) | 1.7 × 10⁷ | 1.7 × 10⁷ | 2016 | 稠密 |
| 579 | AlphaFold (DeepMind, 2020) | ~1.6 × 10⁷ | 2020 | 估算 | |
| 580 | GNoME for crystal discovery (Google DeepMind, 2023) | ~1.6 × 10⁷ | 2023 | 估算 | |
| 581 | ReLU (University of Toronto, 2010) | ~1.6 × 10⁷ | 2010 | 估算 | |
| 582 | ProteinBERT (Hebrew University of Jerusalem, 2022) | 1.6 × 10⁷ | 1.6 × 10⁷ | 2022 | 架构未说明 |
| 583 | Eve (Harvard Medical School, 2021) | ~1.5 × 10⁷ | 2021 | 估算 | |
| 584 | LCNP LabelMe (University of Bonn, 2009) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2009 | 稠密 |
| 585 | BatchNorm (Google, 2015) | 1.4 × 10⁷ | 1.4 × 10⁷ | 2015 | 稠密 |
| 586 | Fold2Seq (IBM, 2021) | ~1.2 × 10⁷ | 2021 | 估算 | |
| 587 | NPLM (University of Montreal / Université de Montréal, 2003) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2003 | 稠密 |
| 588 | LCNP MNIST (, 2009) | 1.2 × 10⁷ | 1.2 × 10⁷ | 2009 | 稠密 |
| 589 | ISS (Duke University, 2017) | 1.1 × 10⁷ | 1.1 × 10⁷ | 2017 | 稠密 |
| 590 | ResNet-1001 (Microsoft, 2016) | ~1 × 10⁷ | 2016 | 估算 | |
| 591 | RNN+LDA+KN5+cache (Microsoft, 2012) | ~9 × 10⁶ | 2012 | 估算 | |
| 592 | Gated HORNN (York University, 2016) | ~9 × 10⁶ | 2016 | 估算 | |
| 593 | AlphaGo Fan (DeepMind, 2015) | ~8.2 × 10⁶ | 2015 | 估算 | |
| 594 | genCNN + dyn eval (Chinese Academy of Sciences, 2015) | ~8 × 10⁶ | 2015 | 估算 | |
| 595 | Once for All (MIT-IBM Watson AI Lab, 2020) | 7.7 × 10⁶ | 7.7 × 10⁶ | 2020 | 稠密 |
| 596 | Multi-cell LSTM (University of Hyderabad, 2018) | ~7.2 × 10⁶ | 2018 | 估算 | |
| 597 | Feedforward NN (University of Montreal / Université de Montréal, 2010) | 7.1 × 10⁶ | 7.1 × 10⁶ | 2010 | 稠密 |
| 598 | True-Regularization+Finetune+Dynamic-Eval (Mobvoi, 2019) | 7 × 10⁶ | 7 × 10⁶ | 2019 | 稠密 |
| 599 | Neural LM (University of Montreal / Université de Montréal, 2000) | 6.9 × 10⁶ | 6.9 × 10⁶ | 2000 | 稠密 |
| 600 | GoogLeNet / InceptionV1 (Google, 2014) | 6.8 × 10⁶ | 6.8 × 10⁶ | 2014 | 稠密 |
| 601 | HyenaDNA (Stanford University, 2023) | 6.6 × 10⁶ | 6.6 × 10⁶ | 2023 | 架构未说明 |
| 602 | Dropout (University of Toronto, 2012) | 5.6 × 10⁶ | 5.6 × 10⁶ | 2012 | 稠密 |
| 603 | SimpleNet (Sensifai, 2016) | 5.5 × 10⁶ | 5.5 × 10⁶ | 2016 | 稠密 |
| 604 | AlphaX-1 (Facebook AI Research, 2019) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2019 | 稠密 |
| 605 | 3DDFA (Chinese Academy of Sciences, 2015) | 5.4 × 10⁶ | 5.4 × 10⁶ | 2015 | 稠密 |
| 606 | Deep CNN + COTS (IEEE, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | 稠密 |
| 607 | DCNN (University of Maryland, 2015) | 5 × 10⁶ | 5 × 10⁶ | 2015 | 稠密 |
| 608 | NLP from scratch (NEC Laboratories, 2011) | ~5 × 10⁶ | 2011 | 估算 | |
| 609 | SPN-4+KN5 (Singapore University of Technology & Design, 2014) | ~5 × 10⁶ | 2014 | 估算 | |
| 610 | 6-Act Tether (Facebook AI Research, 2021) | 5 × 10⁶ | 5 × 10⁶ | 2021 | 架构未说明 |
| 611 | High Performance CNN (IDSIA, 2011) | ~4.9 × 10⁶ | 2011 | 估算 | |
| 612 | MobileNet (Google, 2017) | ~4.2 × 10⁶ | 2017 | 估算 | |
| 613 | NPLM (University of Montreal / Université de Montréal, 2003) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2003 | 稠密 |
| 614 | LMICA (, 2004) | 4.1 × 10⁶ | 4.1 × 10⁶ | 2004 | 稠密 |
| 615 | PoE MNIST (University College London (UCL), 2000) | 3.9 × 10⁶ | 3.9 × 10⁶ | 2000 | 稠密 |
| 616 | Dimensionality Reduction (University of Toronto, 2006) | ~3.8 × 10⁶ | 2006 | 估算 | |
| 617 | GOAT (DeepMind, 2021) | ~3.5 × 10⁶ | 2021 | 估算 | |
| 618 | MobileNetV2 (Google, 2018) | ~3.4 × 10⁶ | 2018 | 估算 | |
| 619 | Big-Little Net (IBM, 2018) | ~3.3 × 10⁶ | 2018 | 估算 | |
| 620 | DLWP (University of Washington, 2021) | 2.7 × 10⁶ | 2.7 × 10⁶ | 2021 | 架构未说明 |
| 621 | BIDAF (University of Washington, 2016) | 2.6 × 10⁶ | 2.6 × 10⁶ | 2016 | 稠密 |
| 622 | DeepStack (University of Alberta, 2017) | ~2.5 × 10⁶ | 2017 | 估算 | |
| 623 | KataGo (Jane Street, 2019) | ~2.5 × 10⁶ | 2019 | 估算 | |
| 624 | ShuffleNet v1 (Megvii Inc, 2017) | ~2.4 × 10⁶ | 2017 | 估算 | |
| 625 | ADAM (University of Amsterdam, 2014) | 2.4 × 10⁶ | 2.4 × 10⁶ | 2014 | 稠密 |
| 626 | StyleGAN3-T (Nvidia, 2021) | 2.2 × 10⁶ | 2.2 × 10⁶ | 2021 | 架构未说明 |
| 627 | LSTM+NeuralCache (KU Leuven, 2018) | ~2.1 × 10⁶ | 2018 | 估算 | |
| 628 | HLBL (University of Toronto, 2008) | 1.8 × 10⁶ | 1.8 × 10⁶ | 2008 | 稠密 |
| 629 | ResNet-110 (Microsoft, 2015) | ~1.7 × 10⁶ | 2015 | 估算 | |
| 630 | Dueling DQN (Google DeepMind, 2016) | 1.7 × 10⁶ | 1.7 × 10⁶ | 2016 | 稠密 |
| 631 | DQN-2015 (Google, 2015) | ~1.7 × 10⁶ | 2015 | 估算 | |
| 632 | Rational DQN Average (TU Darmstadt, 2021) | ~1.7 × 10⁶ | 2021 | 估算 | |
| 633 | IBM-5 (IBM, 1993) | ~1.7 × 10⁶ | 1993 | 估算 | |
| 634 | Deep Belief Nets (University of Toronto, 2006) | ~1.6 × 10⁶ | 2006 | 估算 | |
| 635 | IMPALA (DeepMind, 2018) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2018 | 稠密 |
| 636 | StyleGAN3-R (Nvidia, 2021) | 1.6 × 10⁶ | 1.6 × 10⁶ | 2021 | 架构未说明 |
| 637 | Deep Multitask NLP Network (NEC Laboratories, 2008) | ~1.5 × 10⁶ | 2008 | 估算 | |
| 638 | Double DQN (Google DeepMind, 2016) | 1.5 × 10⁶ | 1.5 × 10⁶ | 2016 | 稠密 |
| 639 | CNN committee (IDSIA, 2011) | ~1.4 × 10⁶ | 2011 | 估算 | |
| 640 | SqueezeNet (DeepScale, 2016) | ~1.2 × 10⁶ | 2016 | 估算 | |
| 641 | Neocognitron (NHK Broadcasting Science Research Laboratories, 1980) | 1.1 × 10⁶ | 1.1 × 10⁶ | 1980 | 稠密 |
| 642 | CURL (University of California (UC) Berkeley, 2020) | ~9.1 × 10⁵ | 2020 | 估算 | |
| 643 | DQN (DeepMind, 2013) | 8.4 × 10⁵ | 8.4 × 10⁵ | 2013 | 稠密 |
| 644 | EnhanceNet (Max Planck Institute for Intelligent Systems, 2016) | 8.1 × 10⁵ | 8.1 × 10⁵ | 2016 | 稠密 |
| 645 | Image generation (University of Amsterdam, 2013) | 7.8 × 10⁵ | 7.8 × 10⁵ | 2013 | 稠密 |
| 646 | Hanabi 4 player (DeepMind, 2019) | 7.6 × 10⁵ | 7.6 × 10⁵ | 2019 | 稠密 |
| 647 | TA-CNN (Chinese University of Hong Kong (CUHK), 2014) | ~7.1 × 10⁵ | 2014 | 估算 | |
| 648 | Robot Parkour (Shanghai Qi Zhi institute, 2023) | 5 × 10⁵ | 5 × 10⁵ | 2023 | 架构未说明 |
| 649 | LISSOM (University of Texas at Austin, 1995) | ~4.3 × 10⁵ | 1995 | 估算 | |
| 650 | SPIDER2 (Griffith University, 2016) | ~4.1 × 10⁵ | 2016 | 估算 | |
| 651 | Mixture of linear models (, 1994) | ~3.8 × 10⁵ | 1994 | 估算 | |
| 652 | NPD (IEEE, 2014) | 3.1 × 10⁵ | 3.1 × 10⁵ | 2014 | 稠密 |
| 653 | Pooling CNN (University of Bonn, 2010) | 2.9 × 10⁵ | 2.9 × 10⁵ | 2010 | 稠密 |
| 654 | Pooling CNN (University of Bonn, 2010) | 2.7 × 10⁵ | 2.7 × 10⁵ | 2010 | 稠密 |
| 655 | Two Stage Feature Extraction (New York University (NYU), 2009) | 2.6 × 10⁵ | 2.6 × 10⁵ | 2009 | 稠密 |
| 656 | Vector Space Model (Stanford University, 2011) | 2.5 × 10⁵ | 2.5 × 10⁵ | 2011 | 稠密 |
| 657 | HyperNEAT (University of Texas at Austin, 2014) | ~2.4 × 10⁵ | 2014 | 估算 | |
| 658 | DNN EM segmentation (IDSIA, 2012) | 2.2 × 10⁵ | 2.2 × 10⁵ | 2012 | 稠密 |
| 659 | Predictive Coding NN (Technical University of Munich, 1994) | 2.1 × 10⁵ | 2.1 × 10⁵ | 1994 | 稠密 |
| 660 | Table Tennis Agent (Google DeepMind, 2024) | ~1.9 × 10⁵ | 2024 | 估算 | |
| 661 | CNN Committee (IDSIA, 2011) | ~1.3 × 10⁵ | 2011 | 估算 | |
| 662 | CNN Committee (IDSIA, 2011) | ~1.2 × 10⁵ | 2011 | 估算 | |
| 663 | RECONTRA-uncategorized (, 1999) | ~1.1 × 10⁵ | 1999 | 估算 | |
| 664 | BLSTM for handwriting (University of Bern, 2007) | ~1 × 10⁵ | 2007 | 估算 | |
| 665 | SVM-CNN (New York University (NYU), 2006) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2006 | 稠密 |
| 666 | Invariant CNN (New York University (NYU), 2004) | 9.1 × 10⁴ | 9.1 × 10⁴ | 2004 | 稠密 |
| 667 | SexNet compression (, 1990) | 7.3 × 10⁴ | 7.3 × 10⁴ | 1990 | 稠密 |
| 668 | NeuroChess (, 1994) | ~7.2 × 10⁴ | 1994 | 估算 | |
| 669 | RECONTRA-categorized (, 1999) | ~6.7 × 10⁴ | 1999 | 估算 | |
| 670 | LeNet-5 (AT&T, 1998) | 6 × 10⁴ | 6 × 10⁴ | 1998 | 稠密 |
| 671 | Swift (Intel Labs, 2023) | ~5.7 × 10⁴ | 2023 | 估算 | |
| 672 | TCN (Carnegie Mellon University (CMU), 2018) | 4.2 × 10⁴ | 4.2 × 10⁴ | 2018 | 稠密 |
| 673 | TRPO (University of California (UC) Berkeley, 2015) | 3.4 × 10⁴ | 3.4 × 10⁴ | 2015 | 稠密 |
| 674 | SOM-CNN (, 1997) | 3.2 × 10⁴ | 3.2 × 10⁴ | 1997 | 稠密 |
| 675 | NETtalk reimplementation (Oregon State University, 1990) | 2.7 × 10⁴ | 2.7 × 10⁴ | 1990 | 稠密 |
| 676 | TD-Gammon (IBM, 1992) | ~2.5 × 10⁴ | 1992 | 估算 | |
| 677 | Cognitron (Biological Cybernetics, 1975) | 2.2 × 10⁴ | 2.2 × 10⁴ | 1975 | 稠密 |
| 678 | NetTalk (Princeton University, 1987) | 1.9 × 10⁴ | 1.9 × 10⁴ | 1987 | 稠密 |
| 679 | CFSS (SenseTime, 2015) | ~1.7 × 10⁴ | 2015 | 估算 | |
| 680 | MUSIC perceptron (, 1996) | 1.4 × 10⁴ | 1.4 × 10⁴ | 1996 | 稠密 |
| 681 | AdaRNN (Beihang University, 2014) | 1.3 × 10⁴ | 1.3 × 10⁴ | 2014 | 稠密 |
| 682 | Bidirectional RNN (Advanced Telecommunications Research Institute, 1997) | ~1.3 × 10⁴ | 1997 | 估算 | |
| 683 | Decision tree (Mitsubishi Electric Research Labs, 2001) | ~1.2 × 10⁴ | 2001 | 估算 | |
| 684 | LSTM (Technical University of Munich, 1997) | 1.1 × 10⁴ | 1.1 × 10⁴ | 1997 | 稠密 |
| 685 | MLN-ASR (McGill University, 1988) | 1 × 10⁴ | 1 × 10⁴ | 1988 | 稠密 |
| 686 | Hopfield network (California Institute of Technology, 1982) | ~9.9 × 10³ | 1982 | 估算 | |
| 687 | Zip CNN (AT&T, 1989) | 9.8 × 10³ | 9.8 × 10³ | 1989 | 稠密 |
| 688 | Hierarchical Cognitron (NHK Broadcasting Science Research Laboratories, 1984) | ~9.3 × 10³ | 1984 | 估算 | |
| 689 | Weight Decay (, 1991) | 8.4 × 10³ | 8.4 × 10³ | 1991 | 稠密 |
| 690 | Deep Blue (IBM, 1997) | ~8 × 10³ | 1997 | 估算 | |
| 691 | 线虫（C. elegans） | 7 × 10³ | 7 × 10³ | 突触 | |
| 692 | System 11 (Carnegie Mellon University (CMU), 1996) | 6.5 × 10³ | 6.5 × 10³ | 1996 | 稠密 |
| 693 | ACF-WIDER (Chinese Academy of Sciences, 2014) | 6.1 × 10³ | 6.1 × 10³ | 2014 | 稠密 |
| 694 | RankNet (Microsoft Research, 2005) | 5.7 × 10³ | 5.7 × 10³ | 2005 | 稠密 |
| 695 | ANN Eye Tracker (, 1993) | 5.6 × 10³ | 5.6 × 10³ | 1993 | 稠密 |
| 696 | JPMAX (, 1994) | ~4.4 × 10³ | 1994 | 估算 | |
| 697 | Kohonen network (Helsinki University of Technology, 1981) | ~4.1 × 10³ | 1981 | 估算 | |
| 698 | Speaker-independent vowel classification (University of Washington, 1989) | 3 × 10³ | 3 × 10³ | 1989 | 稠密 |
| 699 | Pattern recognition and reading by machine (Sandia Corporation, 1959) | ~2.6 × 10³ | 1959 | 估算 | |
| 700 | Handwritten digit recognition network (AT&T, 1989) | 2.6 × 10³ | 2.6 × 10³ | 1989 | 稠密 |
| 701 | Boosting (Bell Laboratories, 1992) | ~2.6 × 10³ | 1992 | 估算 | |
| 702 | Decision tree adaline (Tokyo Medical and Dental University, 1969) | 2.5 × 10³ | 2.5 × 10³ | 1969 | 稠密 |
| 703 | LTE speaker verification system (IBM, 1966) | ~2.1 × 10³ | 1966 | 估算 | |
| 704 | Ceramic-MLP (Sapienza Università di Roma, 1994) | ~1.9 × 10³ | 1994 | 估算 | |
| 705 | SexNet classification (, 1990) | ~1.6 × 10³ | 1990 | 估算 | |
| 706 | RAAM (, 1990) | 1.5 × 10³ | 1.5 × 10³ | 1990 | 稠密 |
| 707 | Super-vector coding (University of Illinois Urbana-Champaign (UIUC), 2010) | ~1 × 10³ | 2010 | 估算 | |
| 708 | Perceptron Mark I (Cornell Aeronautical Laboratory, 1957) | ~1 × 10³ | 1957 | 估算 | |
| 709 | Perceptron (Cornell Aeronautical Laboratory, 1960) | ~1 × 10³ | 1960 | 估算 | |
| 710 | Translation-invariant MLP (Carnegie Mellon University (CMU), 1987) | 8.2 × 10² | 8.2 × 10² | 1987 | 混合专家（活跃参数量未公布） |
| 711 | Truck backer-upper (Stanford University, 1989) | 8.1 × 10² | 8.1 × 10² | 1989 | 稠密 |
| 712 | Siamese-TDNN (Bell Laboratories, 1993) | ~7.4 × 10² | 1993 | 估算 | |
| 713 | MLP with back-propagation (University of California San Diego, 1986) | 7.2 × 10² | 7.2 × 10² | 1986 | 稠密 |
| 714 | Cancer drug mechanism prediction (National Cancer Institute, 1992) | ~5.9 × 10² | 1992 | 估算 | |
| 715 | Distributed representation NN (Carnegie Mellon University (CMU), 1986) | 4.3 × 10² | 4.3 × 10² | 1986 | 稠密 |
| 716 | Piecewise linear model (University of Kansas, 1973) | 3.6 × 10² | 3.6 × 10² | 1973 | 稠密 |
| 717 | ASE+ACE (University of Massachusetts Amherst, 1983) | ~3.2 × 10² | 1983 | 估算 | |
| 718 | LSTM with forget gates (IDSIA, 1999) | ~2.8 × 10² | 1999 | 估算 | |
| 719 | Self Organizing System (Massachusetts Institute of Technology (MIT), 1955) | ~2.3 × 10² | 1955 | 估算 | |
| 720 | Theseus (Bell Laboratories, 1950) | 4 × 10¹ | 4 × 10¹ | 1950 | 稠密 |
| 721 | SNARC (Harvard University, 1952) | ~4 × 10¹ | 1952 | 估算 | |
| 722 | Bankruptcy-NN (, 1990) | 3.6 × 10¹ | 3.6 × 10¹ | 1990 | 稠密 |
| 723 | GNN (University of Siena, 2008) | 3 × 10¹ | 3 × 10¹ | 2008 | 稠密 |
| 724 | ADALINE (Stanford University, 1960) | 1.7 × 10¹ | 1.7 × 10¹ | 1960 | 稠密 |
| 725 | Samuel Neural Checkers (IBM, 1959) | ~1.6 × 10¹ | 1959 | 估算 |
集体
这些图表用两种方式给动物社会、宗教、国家、政党和企业排名。一种按成员数。另一种按神经元当量，也就是按群体的指令支配每个成员清醒时间的比例，给每个成员加权。宗教戒律、法律、党章和岗位职责，算法都一样。它们都是一套套指令，所以我们用同一条规则来衡量。有向时间是如何估算的。
- 黑猩猩群落▲17.4 × 10¹¹
- 切叶蚁群▼16.3 × 10¹¹
- 倭黑猩猩群落▲24.4 × 10¹¹
- 哈扎族营地（人类，作规模参照）4.1 × 10¹¹
- 比格虎鲸群▼22.6 × 10¹¹
- 定居型虎鲸母系家族2.4 × 10¹¹
- 狒狒群8.6 × 10¹⁰
- 宽吻海豚联盟▲17.6 × 10¹⁰
- 抹香鲸社群单元▲16.4 × 10¹⁰
- 蜜蜂群体▼25.8 × 10¹⁰
- 象群家族5.6 × 10¹⁰
- 矮松鸦群5.3 × 10¹⁰
- 斑鬣狗氏族2.2 × 10¹⁰
- 非洲野犬群7.2 × 10⁹
- 狼群4.2 × 10⁹
- 狐獴群1.7 × 10⁹
- 裸鼹鼠群体4.1 × 10⁸
108109101010111012neurons
显示数字
| # | 分组 | 群体中的神经元 | 群体活动中 | 成员 | 受指令支配的占比 | 叫声类型 |
|---|---|---|---|---|---|---|
| 1 | 黑猩猩群落 | 7.4 × 10¹¹ | 2.5 × 10¹¹ | 100 | 34% | — |
| 2 | 切叶蚁群 | 6.3 × 10¹¹ | 5 × 10¹¹ | 250万 | 80% | — |
| 3 | 倭黑猩猩群落 | 4.4 × 10¹¹ | 1.9 × 10¹¹ | 59 | 43% | — |
| 4 | 哈扎族营地（人类，作规模参照） | 4.1 × 10¹¹ | 2.1 × 10¹¹ | 25 | 53% | — |
| 5 | 比格虎鲸群 | 2.6 × 10¹¹ | 2.4 × 10¹¹ | 6 | 91% | — |
| 6 | 定居型虎鲸母系家族 | 2.4 × 10¹¹ | 1.7 × 10¹¹ | 6 | 70% | 11 |
| 7 | 狒狒群 | 8.6 × 10¹⁰ | 5.2 × 10¹⁰ | 30 | 60% | 9 |
| 8 | 宽吻海豚联盟 | 7.6 × 10¹⁰ | 4.2 × 10¹⁰ | 6 | 55% | — |
| 9 | 抹香鲸社群单元 | 6.4 × 10¹⁰ | 4.1 × 10¹⁰ | 8 | 65% | — |
| 10 | 蜜蜂群体 | 5.8 × 10¹⁰ | 4.9 × 10¹⁰ | 60,000 | 85% | — |
| 11 | 象群家族 | 5.6 × 10¹⁰ | 3.2 × 10¹⁰ | 10 | 57% | — |
| 12 | 矮松鸦群 | 5.3 × 10¹⁰ | 3.2 × 10¹⁰ | 100 | 60% | — |
| 13 | 斑鬣狗氏族 | 2.2 × 10¹⁰ | 6.7 × 10⁹ | 45 | 30% | 11 |
| 14 | 非洲野犬群 | 7.2 × 10⁹ | 4.8 × 10⁹ | 14 | 67% | 11 |
| 15 | 狼群 | 4.2 × 10⁹ | 2.6 × 10⁹ | 8 | 63% | — |
| 16 | 狐獴群 | 1.7 × 10⁹ | 1 × 10⁹ | 15 | 57% | 12 |
| 17 | 裸鼹鼠群体 | 4.1 × 10⁸ | 2.9 × 10⁸ | 78 | 70% | — |
- 基督教▲122.69亿
- 伊斯兰教▼120.23亿
- 印度教11.78亿
- 民间宗教4亿
- 佛教3.24亿
- 非洲传统宗教▲19873.4万
- 神道▲18792.41万
- 锡克教▲12500万
- 犹太教▼31478万
- 道教▲1800万
- 巴哈伊教▲1800万
- 法轮功▲1700万
- 耆那教▼3445.18万
- 灵性主义380万
- 高台教250万
- 天理教112.15万
- 生主梵天库玛丽运动100万
1051061071081091010成员
显示数字
| # | 宗教 | 成员 | 遵循其指令 | 受指令支配的占比 | 每周小时数 |
|---|---|---|---|---|---|
| 1 | 基督教 | 22.69亿 | 1.7 × 10¹⁸ | 0.88% | 0.9 h |
| 2 | 伊斯兰教 | 20.23亿 | 8.9 × 10¹⁸ | 5.1% | 5.4 h |
| 3 | 印度教 | 11.78亿 | 1.6 × 10¹⁸ | 1.6% | 1.6 h |
| 4 | 民间宗教 | 4亿 | 2 × 10¹⁷ | 0.59%（代理值） | 0.6 h |
| 5 | 佛教 | 3.24亿 | 7.5 × 10¹⁶ | 0.27% | 0.3 h |
| 6 | 非洲传统宗教 | 9873.4万 | 5 × 10¹⁶ | 0.59%（代理值） | 0.6 h |
| 7 | 神道 | 8792.41万 | 4.5 × 10¹⁶ | 0.59%（代理值） | 0.6 h |
| 8 | 锡克教 | 2500万 | 3.7 × 10¹⁶ | 1.7% | 1.8 h |
| 9 | 犹太教 | 1478万 | 5.3 × 10¹⁶ | 4.2% | 4.4 h |
| 10 | 道教 | 800万 | 4.1 × 10¹⁵ | 0.59%（代理值） | 0.6 h |
| 11 | 巴哈伊教 | 800万 | 4.1 × 10¹⁵ | 0.59%（代理值） | 0.6 h |
| 12 | 法轮功 | 700万 | 3.6 × 10¹⁵ | 0.59%（代理值） | 0.6 h |
| 13 | 耆那教 | 445.18万 | 1.8 × 10¹⁶ | 4.6% | 4.8 h |
| 14 | 灵性主义 | 380万 | 1.9 × 10¹⁵ | 0.59%（代理值） | 0.6 h |
| 15 | 高台教 | 250万 | 1.3 × 10¹⁵ | 0.59%（代理值） | 0.6 h |
| 16 | 天理教 | 112.15万 | 5.7 × 10¹⁴ | 0.59%（代理值） | 0.6 h |
| 17 | 生主梵天库玛丽运动 | 100万 | 5.1 × 10¹⁴ | 0.59%（代理值） | 0.6 h |
- 印度▲114.64亿
- 中国▼114.07亿
- 美国3.42亿
- 印度尼西亚2.86亿
- 巴基斯坦▲52.55亿
- 尼日利亚▲12.38亿
- 巴西▼22.13亿
- 孟加拉国▲51.76亿
- 俄罗斯▼31.44亿
- 埃塞俄比亚▲71.35亿
- 墨西哥▼21.32亿
- 日本▲111.23亿
- 埃及▼21.18亿
- 菲律宾1.17亿
- 刚果民主共和国▼31.13亿
1041061081010居民
显示数字
| # | 国家 | 居民 | 遵循其指令 | 受指令支配的占比 | 每周小时数 |
|---|---|---|---|---|---|
| 1 | 印度 | 14.64亿 | 2.5 × 10¹⁸ | 2% | 2.1 h |
| 2 | 中国 | 14.07亿 | 5 × 10¹⁸ | 4.1% | 4.3 h |
| 3 | 美国 | 3.42亿 | 1.6 × 10¹⁸ | 5.6% | 5.8 h |
| 4 | 印度尼西亚 | 2.86亿 | 1 × 10¹⁸ | 4.2% | 4.4 h |
| 5 | 巴基斯坦 | 2.55亿 | 5.7 × 10¹⁷ | 2.6% | 2.7 h |
| 6 | 尼日利亚 | 2.38亿 | 6.6 × 10¹⁷ | 3.2% | 3.4 h |
| 7 | 巴西 | 2.13亿 | 8.7 × 10¹⁷ | 4.8% | 5 h |
| 8 | 孟加拉国 | 1.76亿 | 4.6 × 10¹⁷ | 3% | 3.1 h |
| 9 | 俄罗斯 | 1.44亿 | 7.5 × 10¹⁷ | 6.1% | 6.4 h |
| 10 | 埃塞俄比亚 | 1.35亿 | 3.9 × 10¹⁷ | 3.4% | 3.5 h |
| 11 | 墨西哥 | 1.32亿 | 5.9 × 10¹⁷ | 5.2% | 5.5 h |
| 12 | 日本 | 1.23亿 | 2.8 × 10¹⁷ | 2.7% | 2.8 h |
| 13 | 埃及 | 1.18亿 | 5.5 × 10¹⁷ | 5.4% | 5.7 h |
| 14 | 菲律宾 | 1.17亿 | 4.4 × 10¹⁷ | 4.4% | 4.6 h |
| 15 | 刚果民主共和国 | 1.13亿 | 4.7 × 10¹⁷ | 4.8% | 5.1 h |
| 16 | 越南 | 1.02亿 | 4.2 × 10¹⁷ | 4.8% | 5 h |
| 17 | 伊朗 | 9241.77万 | 3.5 × 10¹⁷ | 4.3% | 4.6 h |
| 18 | 土耳其 | 8587.86万 | 4.3 × 10¹⁷ | 5.8% | 6 h |
| 19 | 德国 | 8349.12万 | 2.9 × 10¹⁷ | 4% | 4.2 h |
| 20 | 泰国 | 7161.99万 | 2.4 × 10¹⁷ | 3.9% | 4.1 h |
| 21 | 坦桑尼亚 | 7054.59万 | 2.2 × 10¹⁷ | 3.6% | 3.8 h |
| 22 | 英国 | 6948.7万 | 2.8 × 10¹⁷ | 4.6% | 4.8 h |
| 23 | 法国 | 6872.03万 | 3.1 × 10¹⁷ | 5.3% | 5.5 h |
| 24 | 南非 | 6474.73万 | 2.9 × 10¹⁷ | 5.1% | 5.4 h |
| 25 | 意大利 | 5891.57万 | 2.1 × 10¹⁷ | 4.2% | 4.4 h |
| 26 | 肯尼亚 | 5753.25万 | 2.3 × 10¹⁷ | 4.7% | 5 h |
| 27 | 缅甸 | 5485.06万 | 1.9 × 10¹⁷ | 4% | 4.2 h |
| 28 | 哥伦比亚 | 5342.56万 | 1.7 × 10¹⁷ | 3.7% | 3.9 h |
| 29 | 韩国 | 5168.46万 | 1.4 × 10¹⁷ | 3% | 3.2 h |
| 30 | 苏丹 | 5166.21万 | 1.5 × 10¹⁷ | 3.4% | 3.6 h |
| 31 | 乌干达 | 5138.49万 | 1.5 × 10¹⁷ | 3.4% | 3.6 h |
| 32 | 西班牙 | 4935.51万 | 1.8 × 10¹⁷ | 4.2% | 4.3 h |
| 33 | 阿尔及利亚 | 4743.53万 | 3.2 × 10¹⁷ | 7.9% | 8.3 h |
| 34 | 伊拉克 | 4702.08万 | 1.1 × 10¹⁷ | 2.8% | 2.9 h |
| 35 | 阿根廷 | 4585.14万 | 1.7 × 10¹⁷ | 4.4% | 4.6 h |
| 36 | 阿富汗 | 4384.41万 | 1.8 × 10¹⁷ | 4.8% | 5 h |
| 37 | 也门 | 4177.39万 | 1.3 × 10¹⁷ | 3.7% | 3.9 h |
| 38 | 加拿大 | 4165.17万 | 2 × 10¹⁷ | 5.5% | 5.8 h |
| 39 | 安哥拉 | 3904万 | 1.4 × 10¹⁷ | 4.2% | 4.4 h |
| 40 | 乌克兰 | 3898.04万 | 2.1 × 10¹⁷ | 6.2% | 6.5 h |
| 41 | 摩洛哥 | 3843.08万 | 1.5 × 10¹⁷ | 4.5% | 4.7 h |
| 42 | 乌兹别克斯坦 | 3705.34万 | 2 × 10¹⁷ | 6.3% | 6.6 h |
| 43 | 沙特阿拉伯 | 3697.36万 | 1.4 × 10¹⁷ | 4.3% | 4.6 h |
| 44 | 波兰 | 3643.59万 | 2.1 × 10¹⁷ | 6.7% | 7 h |
| 45 | 马来西亚 | 3597.78万 | 1.8 × 10¹⁷ | 5.8% | 6.1 h |
| 46 | 莫桑比克 | 3563.17万 | 1.5 × 10¹⁷ | 4.8% | 5.1 h |
| 47 | 加纳 | 3506.43万 | 1.2 × 10¹⁷ | 3.9% | 4.1 h |
| 48 | 秘鲁 | 3457.67万 | 1.4 × 10¹⁷ | 4.8% | 5 h |
| 49 | 马达加斯加 | 3274.07万 | 9.4 × 10¹⁶ | 3.3% | 3.5 h |
| 50 | 科特迪瓦 | 3271.15万 | 9.5 × 10¹⁶ | 3.4% | 3.5 h |
| 51 | 喀麦隆 | 2987.93万 | 9.8 × 10¹⁶ | 3.8% | 4 h |
| 52 | 尼泊尔 | 2961.81万 | 1.1 × 10¹⁷ | 4.2% | 4.4 h |
| 53 | 委内瑞拉 | 2851.69万 | 1.5 × 10¹⁷ | 6.1% | 6.4 h |
| 54 | 尼日尔 | 2791.78万 | 6.4 × 10¹⁶ | 2.6% | 2.8 h |
| 55 | 澳大利亚 | 2761.44万 | 1.1 × 10¹⁷ | 4.7% | 5 h |
| 56 | 朝鲜 | 2657.1万 | 6.6 × 10¹⁷ | 29% | 30.1 h |
| 57 | 叙利亚 | 2562.04万 | 9.8 × 10¹⁶ | 4.4% | 4.6 h |
| 58 | 马里 | 2519.88万 | 4.9 × 10¹⁶ | 2.3% | 2.4 h |
| 59 | 布基纳法索 | 2407.46万 | 5.7 × 10¹⁶ | 2.8% | 2.9 h |
| 60 | 台湾 | 2330.61万 | 1 × 10¹⁷ | 5% | 5.3 h |
| 61 | 马拉维 | 2221.61万 | 1 × 10¹⁷ | 5.4% | 5.6 h |
| 62 | 赞比亚 | 2191.39万 | 10 × 10¹⁶ | 5.3% | 5.5 h |
| 63 | 斯里兰卡 | 2175.6万 | 1.1 × 10¹⁷ | 6% | 6.3 h |
| 64 | 乍得 | 2100.37万 | 4.9 × 10¹⁶ | 2.7% | 2.9 h |
| 65 | 哈萨克斯坦 | 2084.38万 | 1.4 × 10¹⁷ | 7.6% | 7.9 h |
| 66 | 智利 | 1985.99万 | 6.2 × 10¹⁶ | 3.6% | 3.8 h |
| 67 | 索马里 | 1965.47万 | 1.5 × 10¹⁶ | 0.88% | 0.9 h |
| 68 | 罗马尼亚 | 1902.03万 | 7.5 × 10¹⁶ | 4.6% | 4.8 h |
| 69 | 塞内加尔 | 1893.2万 | 5.9 × 10¹⁶ | 3.6% | 3.8 h |
| 70 | 危地马拉 | 1868.79万 | 6 × 10¹⁶ | 3.7% | 3.9 h |
| 71 | 厄瓜多尔 | 1828.99万 | 6.6 × 10¹⁶ | 4.2% | 4.4 h |
| 72 | 荷兰 | 1808.76万 | 7.6 × 10¹⁶ | 4.9% | 5.1 h |
| 73 | 柬埔寨 | 1784.8万 | 7.4 × 10¹⁶ | 4.8% | 5.1 h |
| 74 | 津巴布韦 | 1695.08万 | 6.1 × 10¹⁶ | 4.2% | 4.4 h |
| 75 | 几内亚 | 1509.97万 | 3.1 × 10¹⁶ | 2.4% | 2.5 h |
| 76 | 贝宁 | 1481.45万 | 4.4 × 10¹⁶ | 3.4% | 3.6 h |
| 77 | 卢旺达 | 1456.93万 | 7 × 10¹⁶ | 5.6% | 5.8 h |
| 78 | 布隆迪 | 1439万 | 5.2 × 10¹⁶ | 4.2% | 4.4 h |
| 79 | 玻利维亚 | 1258.18万 | 5.8 × 10¹⁶ | 5.4% | 5.6 h |
| 80 | 突尼斯 | 1234.86万 | 6.4 × 10¹⁶ | 6% | 6.3 h |
| 81 | 南苏丹 | 1218.88万 | 4.4 × 10¹⁶ | 4.2% | 4.4 h |
| 82 | 比利时 | 1194.18万 | 4.5 × 10¹⁶ | 4.3% | 4.5 h |
| 83 | 海地 | 1190.61万 | 1.9 × 10¹⁶ | 1.8% | 1.9 h |
| 84 | 约旦 | 1152.07万 | 4.9 × 10¹⁶ | 5% | 5.2 h |
| 85 | 多米尼加共和国 | 1152.05万 | 4.9 × 10¹⁶ | 4.9% | 5.2 h |
| 86 | 阿拉伯联合酋长国 | 1151.31万 | 3.1 × 10¹⁶ | 3.1% | 3.2 h |
| 87 | 洪都拉斯 | 1100.59万 | 3.2 × 10¹⁶ | 3.3% | 3.5 h |
| 88 | 古巴 | 1093.72万 | 1.6 × 10¹⁷ | 17% | 17.4 h |
| 89 | 捷克 | 1088.69万 | 5.8 × 10¹⁶ | 6.2% | 6.5 h |
| 90 | 葡萄牙 | 1080.49万 | 5.1 × 10¹⁶ | 5.5% | 5.7 h |
| 91 | 塔吉克斯坦 | 1078.67万 | 5.3 × 10¹⁶ | 5.7% | 6 h |
| 92 | 巴布亚新几内亚 | 1076.28万 | 4.3 × 10¹⁶ | 4.6% | 4.8 h |
| 93 | 瑞典 | 1059.66万 | 6.8 × 10¹⁶ | 7.5% | 7.8 h |
| 94 | 希腊 | 1041.4万 | 4.9 × 10¹⁶ | 5.4% | 5.7 h |
| 95 | 阿塞拜疆 | 1024.7万 | 6.2 × 10¹⁶ | 7% | 7.4 h |
| 96 | 以色列 | 1012.28万 | 6.4 × 10¹⁶ | 7.3% | 7.7 h |
| 97 | 匈牙利 | 951.43万 | 5.7 × 10¹⁶ | 6.9% | 7.3 h |
| 98 | 奥地利 | 920.82万 | 2.5 × 10¹⁶ | 3.2% | 3.4 h |
| 99 | 瑞士 | 909.24万 | 3.9 × 10¹⁶ | 5% | 5.3 h |
| 100 | 白俄罗斯 | 908.6万 | 7.9 × 10¹⁶ | 10% | 10.6 h |
| 101 | 塞拉利昂 | 881.98万 | 4.9 × 10¹⁶ | 6.5% | 6.8 h |
| 102 | 多哥 | 859.16万 | 3 × 10¹⁶ | 4% | 4.2 h |
| 103 | 老挝 | 787.3万 | 3.2 × 10¹⁶ | 4.8% | 5 h |
| 104 | 土库曼斯坦 | 761.88万 | 4.2 × 10¹⁶ | 6.5% | 6.8 h |
| 105 | 利比亚 | 745.86万 | 3.9 × 10¹⁶ | 6.1% | 6.4 h |
| 106 | 吉尔吉斯斯坦 | 734.31万 | 4.1 × 10¹⁶ | 6.5% | 6.8 h |
| 107 | 巴拉圭 | 701.31万 | 2.9 × 10¹⁶ | 4.8% | 5.1 h |
| 108 | 尼加拉瓜 | 700.75万 | 2.8 × 10¹⁶ | 4.6% | 4.8 h |
| 109 | 塞尔维亚 | 654.91万 | 4.1 × 10¹⁶ | 7.2% | 7.5 h |
| 110 | 刚果共和国 | 648.44万 | 1.7 × 10¹⁶ | 3% | 3.1 h |
| 111 | 保加利亚 | 643.33万 | 3.3 × 10¹⁶ | 5.9% | 6.2 h |
| 112 | 萨尔瓦多 | 636.55万 | 3.2 × 10¹⁶ | 5.8% | 6.1 h |
| 113 | 新加坡 | 611.12万 | 1.9 × 10¹⁶ | 3.6% | 3.7 h |
| 114 | 丹麦 | 600.92万 | 3.9 × 10¹⁶ | 7.6% | 8 h |
| 115 | 黎巴嫩 | 584.94万 | 1.5 × 10¹⁶ | 3% | 3.1 h |
| 116 | 利比里亚 | 573.12万 | 1.5 × 10¹⁶ | 3.1% | 3.3 h |
| 117 | 芬兰 | 564.64万 | 3.2 × 10¹⁶ | 6.6% | 6.9 h |
| 118 | 挪威 | 561.09万 | 3.7 × 10¹⁶ | 7.6% | 8 h |
| 119 | 中非共和国 | 551.33万 | 1.7 × 10¹⁶ | 3.5% | 3.7 h |
| 120 | 阿曼 | 549.47万 | 2.9 × 10¹⁶ | 6.2% | 6.5 h |
| 121 | 爱尔兰 | 548.44万 | 3.4 × 10¹⁶ | 7.2% | 7.6 h |
| 122 | 斯洛伐克 | 541.38万 | 3.1 × 10¹⁶ | 6.7% | 7 h |
| 123 | 巴勒斯坦 | 541.36万 | 2 × 10¹⁶ | 4.3% | 4.5 h |
| 124 | 新西兰 | 532.47万 | 2.7 × 10¹⁶ | 5.9% | 6.2 h |
| 125 | 毛里塔尼亚 | 531.51万 | 2 × 10¹⁶ | 4.3% | 4.5 h |
| 126 | 哥斯达黎加 | 515.3万 | 2.6 × 10¹⁶ | 5.9% | 6.2 h |
| 127 | 科威特 | 486.53万 | 2.7 × 10¹⁶ | 6.5% | 6.8 h |
| 128 | 巴拿马 | 457.12万 | 2.3 × 10¹⁶ | 5.9% | 6.2 h |
| 129 | 格鲁吉亚 | 393.58万 | 2.1 × 10¹⁶ | 6.1% | 6.4 h |
| 130 | 克罗地亚 | 387.62万 | 2.2 × 10¹⁶ | 6.7% | 7 h |
| 131 | 厄立特里亚 | 360.7万 | 1.5 × 10¹⁶ | 5% | 5.2 h |
| 132 | 蒙古 | 356.9万 | 2.2 × 10¹⁶ | 7% | 7.3 h |
| 133 | 乌拉圭 | 338.47万 | 1.7 × 10¹⁶ | 5.9% | 6.2 h |
| 134 | 波斯尼亚和黑塞哥维那 | 314.01万 | 1.6 × 10¹⁶ | 5.9% | 6.2 h |
| 135 | 纳米比亚 | 309.28万 | 1.8 × 10¹⁶ | 6.9% | 7.2 h |
| 136 | 亚美尼亚 | 308.67万 | 1.7 × 10¹⁶ | 6.5% | 6.8 h |
| 137 | 卡塔尔 | 297.22万 | 9.6 × 10¹⁵ | 3.8% | 3.9 h |
| 138 | 立陶宛 | 288.88万 | 1.8 × 10¹⁶ | 7.4% | 7.7 h |
| 139 | 牙买加 | 283.71万 | 1.2 × 10¹⁶ | 5% | 5.2 h |
| 140 | 冈比亚 | 282.21万 | 1.1 × 10¹⁶ | 4.5% | 4.7 h |
| 141 | 加蓬 | 259.31万 | 9.9 × 10¹⁵ | 4.4% | 4.6 h |
| 142 | 博茨瓦纳 | 256.21万 | 1.3 × 10¹⁶ | 5.7% | 6 h |
| 143 | 莱索托 | 236.33万 | 9.5 × 10¹⁵ | 4.7% | 4.9 h |
| 144 | 摩尔多瓦 | 236.05万 | 1.5 × 10¹⁶ | 7.3% | 7.6 h |
| 145 | 阿尔巴尼亚 | 234.96万 | 1.2 × 10¹⁶ | 5.7% | 6 h |
| 146 | 几内亚比绍 | 224.95万 | 5.7 × 10¹⁵ | 2.9% | 3.1 h |
| 147 | 斯洛文尼亚 | 213.1万 | 1.2 × 10¹⁶ | 6.6% | 6.9 h |
| 148 | 赤道几内亚 | 193.84万 | 4 × 10¹⁵ | 2.4% | 2.5 h |
| 149 | 拉脱维亚 | 184.78万 | 1.2 × 10¹⁶ | 7.6% | 7.9 h |
| 150 | 北马其顿 | 182.09万 | 9.2 × 10¹⁵ | 5.9% | 6.2 h |
| 151 | 巴林 | 160.04万 | 5.9 × 10¹⁵ | 4.3% | 4.5 h |
| 152 | 科索沃 | 157.69万 | 8 × 10¹⁵ | 5.9% | 6.2 h |
| 153 | 东帝汶 | 141.85万 | 8 × 10¹⁵ | 6.6% | 6.9 h |
| 154 | 塞浦路斯 | 137.08万 | 5.5 × 10¹⁵ | 4.7% | 4.9 h |
| 155 | 特立尼达和多巴哥 | 136.78万 | 9.3 × 10¹⁵ | 7.9% | 8.2 h |
| 156 | 爱沙尼亚 | 136.65万 | 8.3 × 10¹⁵ | 7% | 7.4 h |
| 157 | 斯威士兰 | 125.62万 | 7.5 × 10¹⁵ | 6.9% | 7.2 h |
| 158 | 毛里求斯 | 124.37万 | 5.1 × 10¹⁵ | 4.8% | 5 h |
| 159 | 吉布提 | 118.41万 | 4.6 × 10¹⁵ | 4.5% | 4.8 h |
| 160 | 斐济 | 933,154 | 5.6 × 10¹⁵ | 7% | 7.4 h |
| 161 | 科摩罗 | 882,847 | 3.5 × 10¹⁵ | 4.6% | 4.8 h |
| 162 | 所罗门群岛 | 838,645 | 3.2 × 10¹⁵ | 4.4% | 4.6 h |
| 163 | 圭亚那 | 835,986 | 4.6 × 10¹⁵ | 6.4% | 6.7 h |
| 164 | 不丹 | 796,682 | 5.8 × 10¹⁵ | 8.5% | 8.9 h |
| 165 | 卢森堡 | 686,970 | 2.4 × 10¹⁵ | 4% | 4.2 h |
| 166 | 苏里南 | 639,850 | 3.7 × 10¹⁵ | 6.7% | 7.1 h |
| 167 | 黑山 | 623,129 | 4.3 × 10¹⁵ | 8.1% | 8.5 h |
| 168 | Malta | 579,704 | 3.1 × 10¹⁵ | 6.2% | 6.5 h |
| 169 | 马尔代夫 | 529,676 | 4.7 × 10¹⁵ | 10% | 10.8 h |
| 170 | 佛得角 | 527,326 | 3.3 × 10¹⁵ | 7.2% | 7.6 h |
| 171 | 文莱 | 466,330 | 3.6 × 10¹⁵ | 8.9% | 9.3 h |
| 172 | 伯利兹 | 422,924 | 1.1 × 10¹⁵ | 2.9% | 3.1 h |
| 173 | 巴哈马 | 403,033 | 2.2 × 10¹⁵ | 6.4% | 6.7 h |
| 174 | 冰岛 | 392,404 | 2.5 × 10¹⁵ | 7.4% | 7.7 h |
| 175 | 瓦努阿图 | 335,169 | 2 × 10¹⁵ | 6.9% | 7.3 h |
| 176 | 巴巴多斯 | 282,623 | 1.5 × 10¹⁵ | 6% | 6.3 h |
| 177 | 圣多美和普林西比 | 240,254 | 1.1 × 10¹⁵ | 5.4% | 5.7 h |
| 178 | 萨摩亚 | 219,306 | 1.1 × 10¹⁵ | 5.7% | 5.9 h |
| 179 | 圣卢西亚 | 180,149 | 9.3 × 10¹⁴ | 6% | 6.3 h |
| 180 | 基里巴斯 | 136,488 | 7.6 × 10¹⁴ | 6.4% | 6.7 h |
| 181 | 塞舌尔 | 122,730 | 8.9 × 10¹⁴ | 8.4% | 8.8 h |
| 182 | 格林纳达 | 117,303 | 7.3 × 10¹⁴ | 7.2% | 7.5 h |
| 183 | 密克罗尼西亚 | 113,683 | 5.7 × 10¹⁴ | 5.8% | 6.1 h |
| 184 | 汤加 | 103,742 | 5.9 × 10¹⁴ | 6.6% | 6.9 h |
| 185 | 圣文森特和格林纳丁斯 | 99,924 | 4.9 × 10¹⁴ | 5.7% | 5.9 h |
| 186 | 安提瓜和巴布达 | 94,209 | 6.5 × 10¹⁴ | 8% | 8.3 h |
| 187 | 安道尔 | 82,904 | 3.9 × 10¹⁴ | 5.5% | 5.8 h |
| 188 | 多米尼克 | 65,871 | 2.3 × 10¹⁴ | 4.1% | 4.3 h |
| 189 | 圣基茨和尼维斯 | 46,922 | 2.1 × 10¹⁴ | 5.2% | 5.5 h |
| 190 | 列支敦士登 | 41,024 | 2 × 10¹⁴ | 5.7% | 5.9 h |
| 191 | 摩纳哥 | 38,341 | 2.3 × 10¹⁴ | 6.9% | 7.3 h |
| 192 | 马绍尔群岛 | 36,282 | 3.3 × 10¹⁴ | 10% | 10.9 h |
| 193 | 圣马力诺 | 34,109 | 1.3 × 10¹⁴ | 4.6% | 4.8 h |
| 194 | 帕劳 | 17,663 | 1.6 × 10¹⁴ | 10% | 11 h |
| 195 | 瑙鲁 | 12,025 | 9.3 × 10¹³ | 9% | 9.4 h |
| 196 | 图瓦卢 | 9,492 | 8 × 10¹³ | 9.8% | 10.2 h |
- 印度人民党（印度）▲11.4亿
- 中国共产党▼11.01亿
- 民主党（美国）▲134490万
- 共和党（美国）▲163800万
- 印度国民大会党▼22600万
- 全印度安娜德拉维达进步联盟（印度）▼22004.44万
- 德拉维达进步联盟（印度）▼22000万
- 繁荣党（埃塞俄比亚）▼11570万
- 泰米尔胜利党（印度）▼11500万
- 革命党（坦桑尼亚）▼11300.07万
- 全体进步大会党（尼日利亚）▼11290万
- 正义与发展党（土耳其）▼11170.99万
- 国家复兴运动（墨西哥）▼11162.95万
- 泰卢固之乡党（印度）▼11005.26万
- 柬埔寨人民党▼1700万
104105106107108109成员
显示数字
| # | 政党 | 成员 | 遵循其指令 | 受指令支配的占比 | 每周小时数 |
|---|---|---|---|---|---|
| 1 | 印度人民党（印度） | 1.4亿 | 6.3 × 10¹⁶ | 0.52%（代理值） | 0.6 h |
| 2 | 中国共产党 | 1.01亿 | 8.2 × 10¹⁶ | 0.94% | 1 h |
| 3 | 民主党（美国） | 4490万 | 2.3 × 10¹⁵ | 0.06% | 0.1 h |
| 4 | 共和党（美国） | 3800万 | 2 × 10¹⁵ | 0.06% | 0.1 h |
| 5 | 印度国民大会党 | 2600万 | 1.2 × 10¹⁶ | 0.52%（代理值） | 0.6 h |
| 6 | 全印度安娜德拉维达进步联盟（印度） | 2004.44万 | 9 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 7 | 德拉维达进步联盟（印度） | 2000万 | 9 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 8 | 繁荣党（埃塞俄比亚） | 1570万 | 7 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 9 | 泰米尔胜利党（印度） | 1500万 | 6.7 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 10 | 革命党（坦桑尼亚） | 1300.07万 | 5.8 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 11 | 全体进步大会党（尼日利亚） | 1290万 | 5.8 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 12 | 正义与发展党（土耳其） | 1170.99万 | 5.2 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 13 | 国家复兴运动（墨西哥） | 1162.95万 | 5.2 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 14 | 泰卢固之乡党（印度） | 1005.26万 | 4.5 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 15 | 柬埔寨人民党 | 700万 | 3.1 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 16 | 朝鲜劳动党 | 617.5万 | 7.6 × 10¹⁵ | 1.4% | 1.5 h |
| 17 | 莫桑比克解放阵线（莫桑比克） | 600万 | 2.7 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 18 | 越南共产党 | 560万 | 2.1 × 10¹⁵ | 0.44% | 0.5 h |
| 19 | 共同民主党（韩国） | 499.58万 | 2.2 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 20 | 国民力量党（韩国） | 443.98万 | 2 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 21 | 委内瑞拉统一社会主义党（委内瑞拉） | 424万 | 1.9 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 22 | 津巴布韦非洲民族联盟—爱国阵线（津巴布韦） | 405.84万 | 1.8 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 23 | 巫统（马来西亚） | 325.15万 | 1.5 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 24 | 正义党（阿根廷） | 310.23万 | 1.4 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 25 | 科罗拉多党（巴拉圭） | 300万 | 1.3 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 26 | 统一俄罗斯党 | 260万 | 1.2 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 27 | 乌兹别克斯坦自由民主党（乌兹别克斯坦） | 230.76万 | 1 × 10¹⁵ | 0.52%（代理值） | 0.6 h |
| 28 | 多米尼加解放党（多米尼加共和国） | 217.7万 | 9.7 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 29 | 巴西民主运动（巴西） | 201.85万 | 9 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 30 | 共和人民党（土耳其） | 188万 | 8.4 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 31 | 激进公民联盟（阿根廷） | 179.37万 | 8 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 32 | 劳工党，PT（巴西） | 166.57万 | 7.5 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 33 | 现代革命党（多米尼加共和国） | 155.17万 | 6.9 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 34 | 真正激进自由党（巴拉圭） | 154.8万 | 6.9 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 35 | 菲律宾联邦党 | 150万 | 6.7 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 36 | 伊斯兰党（马来西亚） | 130万 | 5.8 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 37 | 民主复兴党（巴西） | 129.25万 | 5.8 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 38 | 进步党（巴西） | 128.57万 | 5.8 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 39 | 巴西社会民主党（巴西） | 126.1万 | 5.6 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 40 | 人民公正党（马来西亚） | 115.32万 | 5.2 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 41 | 经济自由斗士（南非） | 108.58万 | 4.9 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 42 | 民主工党（巴西） | 107.33万 | 4.8 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 43 | 巴西联盟党 | 106.7万 | 4.8 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 44 | 印度共产党（马克思主义）（印度） | 101.9万 | 4.6 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 45 | 自由民主党（日本） | 100.33万 | 4.5 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 46 | 民族解放阵线（阿尔及利亚） | 100万 | 4.5 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 47 | 自由党，PL（巴西） | 952,881 | 4.3 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 48 | 古巴共产党 | 700,000 | 2.7 × 10¹⁴ | 0.44% | 0.5 h |
| 49 | 非洲人国民大会 | 688,454 | 3.1 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 50 | 加拿大保守党 | 678,708 | 2.7 × 10¹⁴ | 0.46% | 0.5 h |
| 51 | 基民盟（德国） | 364,202 | 1.6 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 52 | 社民党（德国） | 357,116 | 1.6 × 10¹⁴ | 0.52%（代理值） | 0.6 h |
| 53 | 工党（英国） | 333,235 | 1.6 × 10¹⁴ | 0.55% | 0.6 h |
| 54 | 加拿大自由党 | 163,836 | 6.5 × 10¹³ | 0.46% | 0.5 h |
| 55 | 绿党（德国） | 155,296 | 7 × 10¹³ | 0.52%（代理值） | 0.6 h |
| 56 | 基社盟（德国） | 125,153 | 5.6 × 10¹³ | 0.52%（代理值） | 0.6 h |
| 57 | 保守党（英国） | 123,000 | 3.7 × 10¹³ | 0.35% | 0.4 h |
| 58 | 新民主党（加拿大） | 100,542 | 4 × 10¹³ | 0.46% | 0.5 h |
| 59 | 德国选择党（德国） | 51,335 | 2.3 × 10¹³ | 0.52%（代理值） | 0.6 h |
- 沃尔玛210万
- 亚马逊▲1157.6万
- 国家电网▼1136.14万
- 中国石油天然气集团102.63万
- 京东951,420
- 比亚迪▲1869,622
- 埃森哲▼1779,000
- Allied Universal▲3770,000
- 中国邮政集团▼1719,448
- 俄罗斯铁路公司（RZD）▲2677,363
- 大众集团▲6662,942
- 富士康（鸿海）▼2633,167
- 施瓦茨集团▲16604,000
- 金巴斯集团▲18590,000
- 塔塔咨询服务公司▼6584,510
00.5M1M1.5M2M2.5Memployees
显示数字
| # | 企业 | 员工 | 遵循其指令 | 每周小时数 | 受指令支配的占比 |
|---|---|---|---|---|---|
| 1 | 沃尔玛 | 210万 | 6.3 × 10¹⁶ | 36.3 h (美国) | 35% |
| 2 | 亚马逊 | 157.6万 | 4.7 × 10¹⁶ | 36.3 h (美国) | 35% |
| 3 | 国家电网 | 136.14万 | 5.5 × 10¹⁶ | 49 h (中国) | 47% |
| 4 | 中国石油天然气集团 | 102.63万 | 4.1 × 10¹⁶ | 49 h (中国) | 47% |
| 5 | 京东 | 951,420 | 3.8 × 10¹⁶ | 49 h (中国) | 47% |
| 6 | 比亚迪 | 869,622 | 3.5 × 10¹⁶ | 49 h (中国) | 47% |
| 7 | 埃森哲 | 779,000 | 3.7 × 10¹⁶ | 57.58 h (印度) | 55% |
| 8 | Allied Universal | 770,000 | 2.3 × 10¹⁶ | 36.52 h (美国) | 35% |
| 9 | 中国邮政集团 | 719,448 | 2.9 × 10¹⁶ | 49 h (中国) | 47% |
| 10 | 俄罗斯铁路公司（RZD） | 677,363 | 2.2 × 10¹⁶ | 39.96 h (俄罗斯) | 38% |
| 11 | 大众集团 | 662,942 | 2 × 10¹⁶ | 35.95 h (德国) | 34% |
| 12 | 富士康（鸿海） | 633,167 | 2.5 × 10¹⁶ | 49 h (中国) | 47% |
| 13 | 施瓦茨集团 | 604,000 | 1.6 × 10¹⁶ | 31.49 h (德国) | 30% |
| 14 | 金巴斯集团 | 590,000 | 1.5 × 10¹⁶ | 31.7 h (美国) | 30% |
| 15 | 塔塔咨询服务公司 | 584,510 | 2.8 × 10¹⁶ | 58.23 h (印度) | 56% |
| 16 | DHL 集团 | 583,998 | 1.7 × 10¹⁶ | 35.81 h (德国) | 34% |
| 17 | 中国石化 | 513,434 | 2.1 × 10¹⁶ | 49 h (中国) | 47% |
| 18 | 俄罗斯天然气工业股份公司 | 501,000 | 1.7 × 10¹⁶ | 40.47 h (俄罗斯) | 39% |
| 19 | FedEx | 474,200 | 1.6 × 10¹⁶ | 39.98 h (美国) | 38% |
| 20 | 家得宝 | 470,000 | 1.4 × 10¹⁶ | 36.3 h (美国) | 35% |
| 21 | 中国移动 | 468,496 | 1.9 × 10¹⁶ | 49 h (中国) | 47% |
| 22 | UPS | 460,000 | 1.5 × 10¹⁶ | 39.98 h (美国) | 38% |
| 23 | 中国农业银行 | 457,835 | 1.8 × 10¹⁶ | 49 h (中国) | 47% |
| 24 | 康赛科 | 455,000 | 1.7 × 10¹⁶ | 46.71 h (菲律宾) | 45% |
| 25 | Teleperformance | 446,716 | 2.2 × 10¹⁶ | 58.89 h (印度) | 56% |
| 26 | 怡和集团 | 443,000 | 1.5 × 10¹⁶ | 41.93 h (印度尼西亚) | 40% |
| 27 | 索迪斯 | 426,464 | 1.1 × 10¹⁶ | 31.7 h (美国) | 30% |
| 28 | 凯捷 | 423,400 | 2 × 10¹⁶ | 58.23 h (印度) | 56% |
| 29 | 信实工业 | 419,911 | 2.1 × 10¹⁶ | 59.57 h (印度) | 57% |
| 30 | Edeka | 417,500 | 1.1 × 10¹⁶ | 31.49 h (德国) | 30% |
| 31 | 立讯精密 | 416,197 | 1.7 × 10¹⁶ | 49 h (中国) | 47% |
| 32 | 塔吉特 | 415,000 | 1.2 × 10¹⁶ | 36.3 h (美国) | 35% |
| 33 | 万豪国际 | 414,000 | 1.1 × 10¹⁶ | 31.7 h (美国) | 30% |
| 34 | 博世 | 412,400 | 1.2 × 10¹⁶ | 35.95 h (德国) | 34% |
| 35 | 中国工商银行 | 409,758 | 1.6 × 10¹⁶ | 49 h (中国) | 47% |
| 36 | 克罗格 | 403,000 | 1.2 × 10¹⁶ | 36.3 h (美国) | 35% |
| 37 | 华润集团 | 397,398 | 1.6 × 10¹⁶ | 49 h (中国) | 47% |
| 38 | Magnit | 394,000 | 1.3 × 10¹⁶ | 39.69 h (俄罗斯) | 38% |
| 39 | 丰田 | 390,927 | 1.3 × 10¹⁶ | 39.6 h (日本) | 38% |
| 40 | 联合健康集团 | 390,000 | 1.2 × 10¹⁶ | 36.87 h (美国) | 35% |
| 41 | X5 集团 | 389,000 | 1.3 × 10¹⁶ | 39.69 h (俄罗斯) | 38% |
| 42 | 伯克希尔·哈撒韦 | 387,800 | 1.2 × 10¹⁶ | 37.75 h (美国) | 36% |
| 43 | AVIC | 384,000 | 1.5 × 10¹⁶ | 49 h (中国) | 47% |
| 44 | 阿霍德德尔海兹 | 384,000 | 1.1 × 10¹⁶ | 36.3 h (美国) | 35% |
| 45 | 中国电信 | 381,436 | 1.5 × 10¹⁶ | 49 h (中国) | 47% |
| 46 | 星巴克 | 381,000 | 9.9 × 10¹⁵ | 31.7 h (美国) | 30% |
| 47 | 雷韦集团 | 380,000 | 9.8 × 10¹⁵ | 31.49 h (德国) | 30% |
| 48 | 中国建设银行 | 378,344 | 1.5 × 10¹⁶ | 49 h (中国) | 47% |
| 49 | TJX 公司 | 377,000 | 1.1 × 10¹⁶ | 36.3 h (美国) | 35% |
| 50 | 中国建筑（China State Construction Engineering） | 370,272 | 1.5 × 10¹⁶ | 49 h (中国) | 47% |
| 51 | FEMSA | 368,776 | 1.4 × 10¹⁶ | 47.09 h (墨西哥) | 45% |
| 52 | 日本邮政控股 | 360,000 | 1.2 × 10¹⁶ | 41.6 h (日本) | 40% |
| 53 | 乐购 | 354,744 | 9.3 × 10¹⁵ | 31.81 h (英国) | 30% |
| 54 | 高知特 | 351,600 | 1.7 × 10¹⁶ | 58.23 h (印度) | 56% |
| 55 | NTT | 344,196 | 1.1 × 10¹⁶ | 40.2 h (日本) | 38% |
| 56 | 开市客 | 341,000 | 1 × 10¹⁶ | 36.3 h (美国) | 35% |
| 57 | 印孚瑟斯 | 328,594 | 1.6 × 10¹⁶ | 58.23 h (印度) | 56% |
| 58 | ISS | 325,000 | 1.6 × 10¹⁶ | 58.89 h (印度) | 56% |
| 59 | Securitas | 322,000 | 9.7 × 10¹⁵ | 36.52 h (美国) | 35% |
| 60 | HCA Healthcare | 320,000 | 9.7 × 10¹⁵ | 36.87 h (美国) | 35% |
| 61 | 俄罗斯石油公司 | 320,000 | 1.1 × 10¹⁶ | 40.47 h (俄罗斯) | 39% |
| 62 | 摩根大通 | 318,512 | 1.1 × 10¹⁶ | 40.14 h (美国) | 38% |
| 63 | 西门子 | 318,000 | 9.4 × 10¹⁵ | 35.95 h (德国) | 34% |
| 64 | 中国银行 | 313,746 | 1.3 × 10¹⁶ | 49 h (中国) | 47% |
| 65 | 沃尔格林–联合博姿 | 312,000 | 9.3 × 10¹⁵ | 36.3 h (美国) | 35% |
| 66 | 百事公司 | 306,000 | 1 × 10¹⁶ | 40.7 h (美国) | 39% |
| 67 | 中国铁建（CRCC） | 304,927 | 1.2 × 10¹⁶ | 49 h (中国) | 47% |
| 68 | 国家能源集团（CHN Energy） | 303,418 | 1.2 × 10¹⁶ | 49 h (中国) | 47% |
| 69 | 中国中铁（CREC） | 302,527 | 1.2 × 10¹⁶ | 49 h (中国) | 47% |
| 70 | 长江和记实业 | 300,000 | 8.6 × 10¹⁵ | 35.08 h (英国) | 33% |
| 71 | CVS Health | 300,000 | 8.9 × 10¹⁵ | 36.3 h (美国) | 35% |
动物和其他生物
从没有神经元的单细胞，到人类大脑。凡有神经元数的，都是实测值。
无神经元
- 大肠杆菌（Escherichia coli）大肠杆菌（Escherichia coli）0 实测一个没有神经元的单细胞。它会朝食物的方向移动，并拥有持续几秒钟的化学记忆。
- 黏菌Physarum polycephalum0 实测一个没有神经元的巨型单细胞。它能走迷宫，还能长出高效的运输网络。
- 含羞草Mimosa pudica0 实测一种叶子被触碰就会合拢的植物。有一项研究报告说它学会了忽略无害的触碰。后来的重新分析对此提出了质疑。
- 海绵Porifera (e.g. Amphimedon queenslandica)0 实测一种没有神经元，也没有突触，却仍能协调地收缩整个身体的动物。
神经网，无大脑
有大脑的无脊椎动物
- 线虫Caenorhabditis elegans302 实测一种约一毫米长的蠕虫，恰好有 302 个神经元。它是第一种完整布线图被绘制出来的动物。
- 果蝇Drosophila melanogaster139,255 实测迄今绘制的最大的完整大脑布线图，涵盖约 139,000 个神经元。
- 蜜蜂Apis mellifera约 100万 估算约 100万个神经元，而蜜蜂能学会“相同”和“不同”这样的抽象概念。
- 蚂蚁（Camponotus / Formica）Camponotus spp.没有已发表的计数一个靠数步数（路径积分）和记住地标来完成长距离导航的小脑袋。
- 波氏跳蛛Portia fimbriata / labiata没有已发表的计数一种会规划绕路的跳蛛。它会选择远离猎物、并脱离视线的路线。
- 岸蟹 / 小龙虾Carcinus maenas; Procambarus / Astacus spp.没有已发表的计数螃蟹和小龙虾。2021 年一份政府评估发现，有强有力的证据表明真蟹具有感知能力。
- 普通章鱼Octopus vulgaris5亿 估算它的大部分神经元在腕足里。2021 年的一份评估发现，有非常强有力的证据表明它具有感知能力。
鱼类和两栖动物
鸟类
Mammals
- 小鼠Mus musculus7090万 实测约 7100万个神经元。小鼠会露出可以测量的疼痛面部表情。
- 大鼠Rattus norvegicus2亿 实测约 2亿个神经元。大鼠会把被困的笼友放出来。
- 家猫Felis catus12.2亿 实测大脑皮层中约有 2.5亿个神经元。
- 家犬Canis familiaris18亿至26亿，取决于是哪只狗 实测皮层神经元最多约 6亿，取决于是哪只狗。这比猫多。
- 家猪Sus scrofa domesticus22.2亿 实测猪能学会镜子里显示的是什么，并用它来找食物。
- 宽吻海豚Tursiops truncatus没有已发表的计数能通过镜子自我识别测试。宽吻海豚没有实测的神经元数。
- 非洲象Loxodonta africana2570亿 实测2570亿个神经元，是人类的三倍，几乎全在小脑。
- 黑猩猩Pan troglodytes约 280亿（由标度规律预测，不是统计得来） 估算我们现存的两个最近亲之一（另一个是倭黑猩猩）。它能通过镜子测试。
- 人类Homo sapiens861亿 实测860亿个神经元，其中 160亿 在大脑皮层。我们是唯一能对自己的体验作出口头报告的物种。
集体系统
能做出任何单个成员都无法独自做出的决策的群体。它们被当作集体智能来研究，而不是当作心智。
人工系统
按工作方式分类的各种机器智能。目前没有任何系统被认为是意识的有力候选者。
- 基于规则的专家系统把领域专家的知识编码成明确的“如果……就……”规则的程序。推理引擎依次应用这些规则得出结论，通常还会附上它的推理解释。
- 博弈树搜索引擎（国际象棋）把可能的走法序列枚举到固定深度，并用手工构建的评估函数给所得局面打分的程序。它们会剪掉不会改变选择的分支（带 alpha-beta 剪枝的极小极大算法）。
- 深度强化学习智能体通过试错训练、以最大化奖励信号的神经网络。它们通过与环境互动来学习策略或价值函数，这个环境往往是游戏之类的模拟环境。
- 大语言模型在非常大的文本语料上训练、用来预测下一个词元的 Transformer 神经网络，之后往往还要根据人类反馈做调整。
- 具身机器人带有传感器和执行器、在物理世界中行动的机器。它们常常使用分层的反应式控制，而不是中央世界模型，所以行为产生于身体与环境之间的回路。
- 神经形态硬件电路模仿脉冲神经元和突触的芯片。它们由事件驱动，耗电很少，不同于传统的处理器加存储器设计。
假想心智
科学文献和哲学文献中提出的心智。还没有人观察到过。
- 全脑仿真未观察到对大脑做精细扫描，并运行它的软件模型。
- 祖先模拟中被模拟的心灵未观察到博斯特罗姆的三难困境：要么几乎没有文明能到达后人类阶段，要么几乎没有文明运行祖先模拟，要么我们几乎肯定生活在其中一个模拟里。
- 玻尔兹曼大脑未观察到从罕见的热涨落或量子涨落中冒出来的、类似大脑的观察者。
- 通过逐步替换实现心智上传未观察到用功能完全相同的人工部件把神经元一个一个替换掉。
- 超级智能未观察到一种在各个领域几乎都大大超过人类表现的假想智能。博斯特罗姆的书分析了通向它的路径（全脑仿真、生物认知、AI）、它的形态，以及控制问题。
数据版本 2.0.0。下载（JSON）。