大模型开源公开的内容通常包括以下几类：

1. 模型权重 ：这是大模型的核心参数，用于生成预测结果。

2. 训练代码 ：包括用于训练模型的所有代码，如数据预处理、模型定义、训练循环等。

3. 数据集 ：用于训练模型的数据集，可能包括文本、图像、音频等多种类型的数据。

4. 训练日志 ：记录训练过程中的重要信息，如损失函数值、准确率等。

5. 推理代码 ：用于在模型部署后进行预测的代码。

6. 模型架构 ：描述模型结构、层数、连接方式等信息的文档。

7. 评估指标 ：用于衡量模型性能的指标，如准确率、召回率等。

8. 数据处理流程 ：从原始数据到模型输入的整个处理过程。

9. 实验消融结果 ：通过改变模型某些部分来观察性能变化的研究结果。

目前，多个机构和研究团队已经开源了一些大模型，例如：

• OLMo ：由艾伦人工智能研究所等5个机构开源，提供了模型权重、完整训练代码、数据集和训练过程。

• OpenCoder ：提供了模型权重、推理代码、可重复的训练数据、完整的数据处理流程、严谨的实验消融结果以及详细的训练细节。

• CodeLLM ：提供了模型权重和推理代码，以及可重复的训练数据和详细的训练细节。

• CodeShell ：由北京大学软件工程国家工程研究中心知识计算实验室开源，提供了性能更强的代码基座大模型CodeShell-7B和代码助手CodeShell-Chat，以及相应的IDE插件。

• FullStack Bench ：由字节跳动豆包大模型团队开源，是一个专注于全栈编程和多语言编程的代码评估数据集。

这些开源项目为研究人员和开发者提供了宝贵的资源，有助于推动人工智能领域的发展和创新。建议关注这些项目的官方渠道，以获取最新的更新和代码。