介绍8个编程大模型时，可以从多个角度进行阐述，包括模型类型、应用场景、主要贡献者等。以下是一个可能的介绍框架：
深度学习模型 卷积神经网络 （CNN）：
主要用于图像和视频处理，通过卷积层和池化层提取局部特征，并通过全连接层进行分类和预测。
循环神经网络 （RNN）：适用于处理序列数据，如语音识别和文本生成，通过结合当前时刻的输入与前一时刻的隐藏状态来捕捉时间依赖关系。
长短时记忆网络 （LSTM）和 门控循环单元 （GRU）：改进的RNN形式，有效解决梯度消失和梯度爆炸问题。
基于树结构的模型 决策树
和 随机森林：
适用于分类和回归任务，通过树的分裂决策来进行预测。
支持向量机 （SVM）：
一种二分类模型，通过找到最优的分割超平面来进行分类。
分布式计算模型
Hadoop和 Spark： 通过将计算任务分割成多个子任务，在多个计算节点上并行执行，提高计算效率。并行计算模型
MPI （Message Passing Interface）和 OpenMP （Open Multi-Processing）： 通过在多个计算核心或处理器上同时执行任务来加速大规模数据处理。图计算模型
GraphX和 Giraph： 针对图结构数据进行计算，适用于处理大规模图数据，高效执行图遍历、图搜索和图分析等任务。机器学习模型
AlphaCode到 StarCoder： 这些模型基于代码数据训练，支持代码补全和其他逻辑能力任务。编程语言与并发模型
Clojure： 结合指令式编程和函数式编程，提供良好的并发编程支持。 Actor模型
通信顺序进程 （CSP）：基于消息传递，侧重于传递信息的通道。
这些模型在不同的应用场景中发挥着重要作用，从图像处理到自然语言处理，从大规模数据分析到并发编程，它们都在推动着编程技术和软件开发的发展。建议在实际应用中，根据具体需求和场景选择合适的模型进行开发和优化。