目前主流的开源大模型体系主要包括以下几类：
1. Transformer模型架构：这是目前最主流的深度学习模型架构，广泛应用于自然语言处理（NLP）、计算机视觉（CV）和语音识别等领域。Transformer模型具有自注意力机制，能够更好地处理长距离依赖关系，因此在这些领域取得了显著的成果。
2. PyTorch框架：PyTorch是一个灵活、可扩展的深度学习框架，支持多种类型的神经网络结构，包括卷积神经网络（CNN）、循环神经网络（RNN）等。PyTorch的灵活性使得开发者可以自定义模型结构，提高模型性能。
3. TensorFlow框架：TensorFlow是一个广泛使用的深度学习框架，支持多种类型的神经网络结构，包括卷积神经网络（CNN）、循环神经网络（RNN）等。TensorFlow的易用性和社区支持使其成为许多研究者的首选。
4. Keras：Keras是一个高级的深度学习API，提供了一种简单、直观的方式来构建和训练深度学习模型。Keras支持多种类型的神经网络结构，并且与TensorFlow和PyTorch兼容。
5. Caffe：Caffe是一个高性能的深度学习框架，主要应用于计算机视觉领域。Caffe支持多种类型的神经网络结构，并且具有良好的扩展性。
6. MXNet：MXNet是一个开源的机器学习库，提供了一系列用于构建和训练深度学习模型的工具。MXNet支持多种类型的神经网络结构，并且具有良好的性能和灵活性。
7. ONNX：ONNX是一个开放的、通用的深度学习模型交换格式，旨在简化不同深度学习框架之间的模型转换。ONNX支持多种类型的神经网络结构，并且具有良好的兼容性和扩展性。
8. ONNX Compiler：ONNX Compiler是一个工具，可以将ONNX模型转换为TensorFlow、PyTorch等主流深度学习框架的模型，从而方便开发者在不同框架之间共享和复用模型。
9. Apache TPU：TPU是专为深度学习优化的硬件加速器，由谷歌推出。TPU支持多种类型的神经网络结构，并且具备较高的计算性能。TPU的使用可以显著提高深度学习模型的训练速度和效率。
10. NVIDIA GPU：GPU（图形处理器）加速深度学习模型的训练和推理。NVIDIA的CUDA库为开发者提供了一套丰富的接口，使得在GPU上运行深度学习模型变得更加简单。
综上所述，目前主流的开源大模型体系涵盖了多种不同的框架和工具，如Transformer模型架构、PyTorch框架、TensorFlow框架、Keras、Caffe、MXNet、ONNX、ONNX Compiler以及NVIDIA GPU等。这些开源工具和框架的选择取决于具体的应用场景和需求，开发者可以根据自己的需求选择合适的工具来构建和训练深度学习模型。
