外观
大白话读懂Ai的27 个大语言模型核心概念
很多人都在用 ChatGPT、Claude、Gemini。
但一聊到大语言模型相关概念，就容易被一堆术语绕晕。
所以这篇，我把这些核心概念重新整理成 6 大类，按“概念 + 大白话理解 + 例子”来讲，读起来会更清楚，也更适合直接发。
一、大语言模型基础概念
- 大语言模型（LLM）
概念：通过海量文本训练出来的语言模型，能理解和生成文字内容。
大白话：像一个读了很多书的“超级大脑”。
例子：ChatGPT、Claude。
- Transformer
概念：目前主流大模型使用的核心网络结构。
大白话：让 AI 能更高效地同时理解整段内容，而不是一个字一个字慢慢读。
例子：GPT、BERT 都基于 Transformer。
- 注意力机制（Attention）
概念：让模型判断一句话里哪些词更重要。
大白话：读文章时先抓重点。
例子：翻译一句话时，模型会重点关注主语、动作和宾语。
- 自注意力（Self-Attention）
概念：让一句话中的每个词都能和其他词建立联系。
大白话：每个词都会“看看”其他词，判断彼此关系。
例子：理解“他”“她”“它”到底指代谁。
二、大模型是怎么学出来的
- 预训练（Pre-training）
概念：先用海量通用数据训练模型，获得基础语言能力和常识。
大白话：像高考前先做全面复习。
例子：GPT 在大量网页、书籍、文章上做预训练。
- 微调（Fine-tuning）
概念：在通用模型基础上，再用专业数据继续训练。
大白话：在通识教育之后，再补专业课。
例子：用医学文献微调模型，让它更懂医疗场景。
- 指令微调
概念：专门训练模型更好地理解和执行人类指令。
大白话：训练 AI 更“听话”。
例子：给模型大量“指令-回答”样本，让它学会按要求回复。
- RLHF
概念：基于人类反馈的强化学习，让模型回答更符合人的偏好。
大白话：让人类给 AI 打分，AI 再根据反馈优化。
例子：ChatGPT 就用了 RLHF 来提升回答质量。
- 涌现能力（Emergent Abilities）
概念：模型规模足够大后，突然出现的小模型没有的新能力。
大白话：模型变大后，突然“开窍”了。
例子：小模型不会复杂推理，大模型却突然能做了。
三、你和 AI 怎么交流
- 提示词（Prompt）
概念：你给 AI 的问题、要求或任务描述。
大白话：你对 AI 说的话。
例子：“请帮我写一篇关于春天的短文。”
- 提示词工程（Prompt Engineering）
概念：研究怎样提问，才能让 AI 输出更好的结果。
大白话：问问题的技巧。
例子：给 AI 设定角色、格式、风格后，回答通常会更好。
- 少样本学习（Few-shot）
概念：给模型几个例子，它就能照着完成新任务。
大白话：举几个例子，AI 就学会了。
例子：先给 3 个翻译案例，再让 AI 翻译新句子。
- 零样本学习（Zero-shot）
概念：不给示例，直接让模型完成任务。
大白话：不教也能做。
例子：直接让 AI 总结文章、翻译句子、分类文本。
- 思维链（CoT）
概念：引导模型一步步推理，再给出答案。
大白话：让 AI 把解题过程写出来。
例子：做数学题时先列步骤，再给最终答案。
四、大模型的“记忆”和“处理方式”
- 上下文窗口（Context Window）
概念：模型一次能处理和记住的信息总量。
大白话：AI 的短期记忆容量。
例子：上下文太长时，AI 可能会忘掉前面说过的话。
- Token
概念：模型处理文本时拆分出来的最小单位。
大白话：AI 读文字时用的小积木块。
例子：“我爱北京”会被拆成几个 Token 来处理。
- 分词器（Tokenizer）
概念：负责把文本切分成 Token 的工具。
大白话：先把句子拆开，AI 才能继续处理。
例子：把一句中文拆成模型能识别的小块。
- 温度参数（Temperature）
概念：控制模型输出的随机性和创造性。
大白话：控制 AI 回答是保守一点，还是放飞一点。
例子：写代码常用低温度，写诗可以用高温度。
- Beam Search
概念：生成答案时同时保留多个候选结果，再选更优的。
大白话：多想几种说法，再挑最好的。
例子：机器翻译时，从多个候选译文里选最流畅的。
- 贪婪解码（Greedy Decoding）
概念：每一步都直接选当前概率最高的下一个词。
大白话：走一步，选当前最稳的那个。
例子：生成技术说明时，经常用这种方式保证稳定性。
- 困惑度（Perplexity）
概念：衡量模型对下一个词预测得有多确定。
大白话：AI 对自己的答案有多大把握。
例子：困惑度越低，通常说明模型越确定。
五、大模型为什么有时很强，有时又会翻车
- 幻觉（Hallucination）
概念：模型生成看起来很合理、实际上却错误的内容。
大白话：一本正经地胡说八道。
例子：编造不存在的法律条文、论文、新闻来源。
- 知识截止（Knowledge Cutoff）
概念：模型训练数据更新到某个时间点后停止。
大白话：AI 记忆的截止日期。
例子：某个模型只知道 2024 年 4 月之前的信息。
- Embedding
概念：把文字、图片等内容转换成有语义的向量表示。
大白话：把“意思”变成数字。
例子：语义相近的两段话，在向量空间里距离也更近。
六、大模型如何接入外部知识与扩展能力
- RAG（检索增强生成）
概念：让模型先查资料，再结合资料生成答案。
大白话：让 AI 先翻书，再回答。
例子：客服机器人先查产品手册，再回复用户。
- 向量数据库
概念：专门存储语义向量的数据系统。
大白话：存放“知识语义”的仓库。
例子：把公司文档做成向量后，用于语义搜索。
- 多模态（Multimodal）
概念：模型不仅能处理文字，还能处理图片、语音、视频等多种信息。
大白话：AI 不只是会聊天，还会“看”和“听”。
例子：GPT-4V 能看图回答问题。
为什么普通人也要懂这些词？
因为未来真正会用 AI 的人，不是只会打开聊天框的人，而是知道：
- 提示词怎么写更有效，
- 上下文为什么会失忆，
- 幻觉为什么会出现，
- RAG 为什么能让答案更靠谱，
- 微调为什么适合专业场景，
- 多模态为什么会成为下一阶段重点。
你不一定要自己训练模型。但你至少要知道，自己每天在用的东西，到底是怎么回事。
当你懂了这些概念，你就不会再把 AI 当成一个完全看不懂的黑箱。
来源：飞书 · AI Spark 知识库 ｜ 原文（最新版）：https://lcnniolukk80.feishu.cn/wiki/DYBXwg5yviBvd9kDggQccPv6nac ｜ 归档：2026-06-04