目录
核心定义
典型代表
核心原理
用途
优势与局限
未来发展方向
LLM（Large Language Model）大语言模型，指通过海量文本数据训练 能够理解和生成人类语言的深度学习模型。
核心定义
一种基于深度神经网络（如Transformer架构）的模型，通过预训练（Pre-Training）从海量文本中学习语言规律，并能够生成连贯的文本或者完成特定任务（如问答 翻译 写作）
典型代表
- OpenAI的GPT系列（GPT-3.5 GPT-4 GPT-4o）
- google的PaLM
- Meta的LLMA
- DeepSeek的DeepSeekd-R1
核心原理
| 技术要点 | 说明 |
|---|---|
| Transformer架构 | 核心是自注意力机制（Self-Attention），可并行处理长文本并捕捉词语间复杂关系 |
| 预训练+微调 | 先在无标注数据上预训练（学习语言规律），在针对特定任务微调（如客服 编程） |
| 上下文理解 | 通过输入提示词（Prompt）动态生成相应，支持多轮对话和复杂逻辑推理 |
用途
| 应用场景 | 示例 |
|---|---|
| 文本生成 | 写文章、故事、营销文案、代码等 |
| 问答与对话 | 只能客服、知识库查询（如ChatGPT） |
| 翻译与总结 | 对语言互译，分析数据，编写程序 |
| 逻辑推理 | 解数学题，分析数据，编写程序 |
| 搜索增强 | 结合知识库生成更准确的安安（如 New Bing） |
优势与局限
| 优势 | 局限 |
|---|---|
| 泛化能力强：无需针对每个任务单独设计模型，通过Prompt即可适配多种场景。 | 幻觉：可能生成看似合理但是不符合事实的内容（需结合知识库缓解） |
| 语言理解深：能捕捉隐含语言，幽默，比喻等复杂语言现象 | 偏见与安全风险：训练数据中的偏见可能导致输出不当内容，需要人工审核和干预 |
| 持续进化：通过人类反馈强化学习（RLHF）和微调，逐步提升安全和准确性 | 缺乏真正理解：本质是统计模式匹配，而非具备人类认知或意识 |
| 算力成本高：训练和运行大模型消耗大量计算资源 |
未来发展方向
更小、更高效：优化模型（如 MoE 架构），降低算力
多模态融合：结合图像、音频等多维度信息，如 （GPT-4V）
领域专业化：针对医疗、法律等垂直领域训练专用模型