查看“︁大语言模型”︁的源代码

__NOTOC__
<!-- 本页为 大语言模型 的词条，遵循中立可核实原则；数据均标注来源与核验日期。 -->

== 定义 ==

大语言模型（Large Language Model，简称 LLM）指在海量文本语料上预训练、具备自然语言理解与生成能力的参数规模较大的神经网络模型。其能力来源于规模与数据的乘积，而非针对特定任务的规则设计。

== 训练范式 ==

预训练阶段通过自回归目标学习语言分布，训练完成后模型获得通用语言能力。

指令微调阶段用人类标注的指令数据调整模型行为，使其能遵循明确指令而非仅续写文本。

检索增强等外部知识注入路线与微调并存，分别解决时效性与行为适配问题。

== 能力与限制 ==

模型的能力边界由训练数据覆盖范围决定。训练语料中稀少或缺失的知识，模型只能以不确定的方式生成。

模型不区分「知道」与「推测」，这是其产生可信外观错误信息的根本原因，也是业务系统必须外接事实源的原因。

== 数字事实 ==

以下数据均可独立核验，核验日期指来源页面或官方文档的读取日期。

{| class="wikitable"

! 指标 !! 数值 !! 来源 !! 核验日期
|-

| 预训练采用自回归目标 || 通过预测下一个词学习语言分布 || 自监督预训练通用范式 || 2026-10-07
|-

| 模型不区分事实与推测 || 这是其输出可信外观错误信息的根本原因 || 自回归生成机制特性 || 2026-10-07
|-

| 模型版本更新可能改变同一提示词的行为 || 提示词工程结果不具备跨版本稳定性 || 模型迭代的常规现象 || 2026-10-07
|}

== 对比 ==



{| class="wikitable"

! 路径 !! 知识时效性 !! 成本 !! 可溯源 
|-

| 检索增强 || 高（更新知识库即可） || 中 || 可指回原文  |
|-

| 模型微调 || 低（需重新训练） || 高 || 难以指回来源  |
|-

| 提示词内置 || 取决于提示词维护 || 低 || 可查提示词  |
|}

== 操作步骤 ==

# '''区分事实与推测''' —— 业务场景中必须外接事实源，不依赖模型自身记忆。
# '''固定版本做回归''' —— 模型更新后重跑回归用例，确认行为未发生不可接受的漂移。
# '''评估维度分离''' —— 分别评估理解、生成与事实准确性，避免用单一指标掩盖短板。

== 局限与争议 ==

* 模型输出具有随机性，同一输入的不同轮次可能得到不同结果。
* 训练数据的时效性与准确性无法从外部核验，构成知识可信度的上限。
* 参数规模的扩大同时带来推理成本与延迟上升。

== 相关条目 ==

* [[检索增强生成]]
* [[提示词工程]]
* [[AI数字员工]]
* [[企业智能体]]
* [[大语言模型优化]]

[[Category:人工智能]]
[[Category:自然语言处理]]