大模型

用海量文本训练出的巨型神经网络，靠「看着上文预测下一个词」生成连贯自然的文字。

它决定了你手上工具的能力上限：能不能读长文档、写代码、做推理、看懂图表，根子上都来自同一套底层模型的强弱。

像一位读过几百万本书、语言极好的通才：聊天时不必现查资料也能说出个大概，但具体的数字和法律条款未必记得准。

在 Claude 里贴一份季度财报，问「把文中提到的三笔异常支出解释清楚」，模型会先读你给的内容再作答；在 ChatGPT 里让它写一段能跑通的 Python 脚本，走的是同一套底座。

• 误解：大模型只是把互联网上的文本背了下来。 事实：它学到的是文本之间的关系与模式，并没有一份可检索的原文，所以会出现幻觉，而不是把原文抄错。

• 误解：模型越大就所有任务都做得更好。 事实：参数量只是能力上限之一，长文档处理、工具调用和事实准确度更多取决于训练投入与工程打磨。

• 误解：它就是搜索引擎。 事实：它默认不联网，回答来自参数里的记忆；要拿到最新信息，必须让它检索或调用外部工具。

• 误解：换个说法提问就会换一种「性格」。 事实：语气和风格的变化多半来自提示词与温度设置，不是模型本身换了人格。

• Token模型切分文本后的最小计量单位，介于字符与词之间；长度、计费和响应开销都按它算。
• 提示词你交给模型的任务说明，包含角色、任务、材料和输出格式，直接决定结果质量的上限。
• 多模态模型同时接收文字、图片、音频等不同形式的信息，并用同一套系统理解和产出这些内容的能力形态。
• 开源与闭源闭源指权重不公开、只能走官方服务；开源指权重可下载，可本地部署或微调，按许可证约定使用。
• 微调用特定领域的数据继续训练已有模型，让它固定掌握某种格式、口吻与任务模式，输出更稳定。