大模型是什么 原理

刚接触 AI 的人最常卡在两件事：一是听别人讲「参数」「训练」「推理」完全接不上话，二是打开一个模型列表，看到一堆后缀和数字不知道哪个跟自己有关。这篇不讲公式，先把大模型大致怎么运转讲成一句人话，再给一套遇到陌生名词时的对照和查证动作，让你下次看价格页或模型页时不至于懵。

刚接触 AI 的人最常卡在两件事：一是听别人讲参数、训练、推理完全接不上话，二是打开一个模型列表，看到一堆后缀和数字不知道哪个跟自己有关。这篇不讲公式，先把大模型大致怎么运转讲成一句人话，再给一套遇到陌生名词时的对照和查证动作。

不用背名词，先抓住主线：它做的事本质上很单调，只是规模大到你直觉失效。看完你至少能分清哪些参数该管、哪些看一眼就放过，下次翻价格页或模型页时不至于懵。

先搞明白它在做什么：一个超级会接话的机器

把它理解成「根据前文预测下一个词」，不是查资料也不是算题，只是这件事做到了很大规模。连续写出一段话，就是把这个动作重复很多次，所以它天生会顺着你的语气往下编。这解释了两件事：为什么它答得顺，也为什么它会一本正经说错——顺不等于对。

训练

出厂前用大量文本反复调整内部权重，是厂家那边一次性的活，你参与不了

推理

你每次提问时它现算一遍，回答快慢和成本主要看这一步的模型大小与硬件

上下文

这次对话里它能同时「看到」的那段文字，长度有限，超了就得丢前面

判断标准很简单：如果对方讲的某个概念，你没法把它归到「出厂前定的」还是「你提问时现算的」，那就先放着。这条线能帮你过滤掉一大半听不懂的讨论。

三个类比：接龙、做菜、背了一柜子书的人

• 接龙：给前几个字猜下一个字，猜得越准说明见过的句子越多，仅此而已
• 做菜：训练数据是食材，训练方法是菜谱，端上桌那盘菜是最终模型，同一批食材不同做法味道差很远
• 背了一柜子书的人：知识面广但不是每句都记得住出处，问细节时可能记混
• 共同点：三者都靠「见过的模式」办事，不是靠现场翻书核对

每个类比都有失效的地方。接龙类比容易让人以为它只会机械重复，其实长句也能组织；做菜类比容易让人以为换个菜谱就行，实际上食材质量和规模同样关键；背书类比最容易让人高估它，它并没有真正「理解」你，只是概率上跟你合拍。

常见参数扫一眼：哪些跟你有关，哪些可以先不管

真正影响你使用体验的多半是三类：输出长度、随机程度、上下文能装多少。B 这类后缀表示规模大小，规模不等于对你更合适，小模型往往更快更省钱。温度、top_p 这类调节项，本意是控制保守还是发散，日常问答不用动，写创意文案时才有感觉。

1. 第一步：先查名词遇到看不懂的词，先去 /ai-dict/category/basics 和 /ai-dict/category/tech 对一遍，比在群里问快，也能避免被人带偏。
2. 第二步：回模型页对照带着名词去 /models 看该模型的说明字段，重点看上下文和输出限制，别只看名字里的数字。
3. 第三步：拿自己的活试一次用你真实要做的任务跑一遍，记录回答长度、是否需要改提示词，这比看任何介绍都有用。

三个容易想歪的地方，先破掉再学

• 不等于搜索引擎：它不给现成链接，想要出处得靠联网问答类工具或自己核
• 不等于数据库：别指望它记住你上次说的细节，那属于上下文管理的事
• 不等于越大越好：选型要看任务类型、延迟、成本，具体数字到 /models 和 /ai-rankings 看当时的榜
• 不等于永远靠谱：需要严格算数、强事实查证的活，别让它当唯一依据

判断是否适用，可以拿一条线量：这件事错了会不会有实际后果。写草稿、做头脑风暴，随便用；对外发布的事实、算账、合规判断，必须有人复核。反过来，如果你的任务只是把一段话换个说法，那反而不用纠结模型大小，选个响应快的就行。

想横向比较不同服务商的价格和模型覆盖，去 /price-watch 和 /sites 核对当时的数字，别用别人截图里的旧数据做决定。选型的顺序建议是：先定任务，再定能接受的延迟，最后才看价格区间。

它擅长把话说顺，不擅长替你负责；顺与对是两件事。