一文通关！ChatGPT等大语言模型30个关键概念全解！

写给大众用户的大语言模型通俗指南，避开所有数学公式，直击本质、从基础到实践的清晰指南，你不用懂数学、不用会编程，也不用记复杂的提示词。

你不用搞懂 LLM 的每一个 “零件”，但理解token、嵌入、参数这些核心组件，会让它不再神秘。还能帮你看清模型的优势、短板，以及如何让它给出更好的结果。

1. token

大语言模型本质是个数学系统，有个核心问题：它只懂数字，不懂文字。那它怎么 “读懂” 你问的 “什么是微调？” 呢？

第一步就是把文本转换成模型能处理的形式 —— 先将句子拆成最小有意义单位，也就是token。

这个拆分工作由 “（tokenizer）” 完成：

• 先把句子拆成token列表：[“什么”, “是”, “微”, “调”, “？”]（不同token器拆分规则略有差异，比如可能拆成 [“什么”, “是”, “微调”, “？”]）；

• 再把每个独特的token换成对应的 ID 数字。

最终，“什么是微调？” 会变成一串模型能理解的数字序列，比如 [1023, 318, 5621, 90177, 30]。

但token本身没有意义，只是一串 ID，要让模型理解，还需要另一层处理。

2. 嵌入（embeddings）

通过token化，我们把问题变成了数字 ID 列表，但这些数字只是随机标签 —— 比如 “猫” 的 ID 和 “小猫” 的 ID 毫无关联，模型根本不知道它们的意思和联系。

这时候 “嵌入” 就派上用场了。嵌入是一串特殊的数字（称为 “向量”），专门用来表示token的含义。它不再是随机 ID，而是给每个token分配一组 “意义坐标”，把它放在一个巨大的 “意义地图” 上。

在这张地图上，意思相近的词（比如 “狗” 和 “小狗”）会靠得很近。模型能通过数字计算关系：比如 “国王” 到 “女王” 的坐标变化，和 “男人” 到 “女人” 的坐标变化是一样的。

这也是聊天机器人和搜索引擎能理解不同表达方式的原因 —— 你搜 “汽车”，嵌入技术会让引擎知道 “轿车”“机动车” 相关的内容也符合需求。

这些嵌入并不是杂乱无章的，它们都存在于一个更大的结构里。

3. 潜空间（Latent Space）

词嵌入通过向量差异体现关系 —— 就像 “狗→小狗” 和 “走→跑” 的向量变化是平行的，这就是意义的几何编码方式。

当模型把问题转换成嵌入后，这个嵌入不会孤立存在，而是进入 “潜在空间”—— 也就是所有嵌入所在的巨大 “意义地图”。

它不是物理空间，而是模型构建的数学空间。训练过程中，模型会在这个空间里整理各个概念的嵌入，让它们的位置和距离能反映真实世界的关系。

比如你问 “什么是微调？”，这个问题的嵌入会和其他关于 “训练方法” 的嵌入靠得很近。模型的任务很简单：在这个 “邻里区域” 里，找到最匹配的内容。

而支撑这种能力的，是模型的内部设置 —— 也就是参数。

4. 参数（Parameters）

ChatGPT 这类系统的基础模型，拥有数十亿个内部变量，这些就是 “参数”。它们不是数据库里的条目，也不是事实列表，而是可调整的 “设置”，让模型能捕捉语法、概念和模式。

你可以把参数想象成一堵巨大的 “旋钮墙”：

• 一开始，所有旋钮都是随机设置的，毫无用处；

• 训练过程中，模型会重复数万亿次 “预测下一个token” 的游戏；

• 每次猜错，就微调一下这些旋钮，让它慢慢接近正确答案；

• 经过无数次微调后，最终的旋钮设置就编码了模型学到的一切 —— 包括语言模式、概念关联和通用知识。

如果不经过训练，数十亿个随机旋钮毫无意义，只有通过漫长的训练，它们才能承载知识。

大语言模型如何学习：“黑科技” 的训练过程

5. 预训练（Pre-training）

把随机参数变成 “知识库” 的过程，就是预训练。

这个基础阶段，模型会接触互联网上的海量文本和代码，核心目标只有一个：预测序列中的下一个token。每次预测后，它会对比真实答案，然后通过训练算法微调数十亿个参数。经过数万亿次重复，这些微小的调整会逐渐编码语言的统计模式 —— 这就是 GPT-5 这类基础模型在适配实际应用前，学习语法、常识和基础推理能力的方式。

这个训练过程可以拆成两步理解：

（1）核心任务：预测下一个token

给模型一段文本片段，比如 “微调是一个____的过程”，它要猜测缺失的部分。一开始猜测是随机的，但每次猜错后，参数会微调，让下一次更可能猜到 “进一步训练” 这类正确答案。

（2）训练结果：一个模式识别引擎

经过数万亿次修正，模型会变得特别擅长识别模式。它见过无数次 “微调是进一步训练的过程” 这类表达，所以能牢牢记住这种关联 —— 但它并不是在 “理解” 或 “思考”，只是在复现学到的模式。

预训练让模型装满了互联网上的模式，但此时它还只是个 “文本预测器”。要明白这为什么是个问题，就得区分基础模型和指令模型。

6. 基础模型（Base Model）vs 指令模型（Instruct Model）

模型完成预训练后，就是 “基础模型”。它虽然知识渊博，但还不是个 “贴心助手”。

比如你用原始基础模型问 “什么是检索增强生成（RAG）？”，它可能只是机械地续写句子，或者给出一个笼统无用的定义。它擅长预测文本，但没被训练过遵循指令或进行对话。

要让它变成聊天机器人、搜索助手这类实用工具，就需要 “指令模型”。

指令模型是基础模型经过额外训练后的产物 —— 这种训练叫 “微调”，用的是专门的 “指令 - 答案” 配对数据集。这个过程不会教模型新事实，而是教它 “怎么做事”：理解用户意图、给出清晰解释、结构化呈现回应。

ChatGPT 和 Claude 都是指令模型，它们从设计之初就是为了提供帮助、响应需求，是任务导向型应用的核心。

而把基础模型变成指令模型的关键一步，就是微调。

7. 微调（Fine-tuning）

微调，就是把完成预训练的模型，用更小、质量更高的数据集再训练一次，让它专门适配某个任务。

这次的数据集不再是整个互联网，而是几千个和目标场景高度相关的精选案例。

最典型的例子就是 GitHub Copilot：基础模型能生成各种文本，通过在数十亿行开源代码上微调，它学会了写出、补全符合开发者风格的代码。微调后的模型并没有 “懂更多” 编程知识，只是更贴合真实世界的代码模式，实际使用中更可靠。

这种针对性训练会微调模型的参数，让它模仿特定数据集的风格和准确性。

塑造模型行为：从 “知识库” 到 “贴心助手”

8. 对齐（Alignment）

通过微调，模型能遵循指令了，但 “好答案” 的标准是什么？

一个只在互联网上训练的原始模型，可能给出技术上正确但对新手来说晦涩难懂的答案，甚至会重复训练数据里的有害刻板印象。

这就是 “对齐” 要解决的核心问题：让大语言模型的行为符合人类价值观和意图，具体来说就是 “有帮助、诚实、无害”。

比如 ChatGPT 会拒绝不安全的请求，会应要求简化复杂概念，还会避免偏见或冒犯性语言。对齐的目标不是让模型 “更准确”，而是让它的行为实用、符合社会规范。

9. 基于人类反馈的强化学习（RLHF）

那怎么实现对齐呢？总不能直接告诉模型 “要贴心” 吧？我们需要一种方式，让它明白人类眼中的 “优质” 和 “贴心” 是什么样的 —— 这就是基于人类反馈的强化学习（Reinforcement Learning from Human Feedback，RLHF）。

它不是只靠文本训练，而是根据人类偏好调整模型，具体步骤如下：

1. 人类评分：给模型一个问题（比如 “什么是微调？”），让它生成多个答案，然后由人类评审员给这些答案排序（从好到坏）；

2. 训练 “裁判模型”：用这些排序数据训练一个单独的 “奖励模型”，它的唯一任务就是预测人类会如何评价某个答案；

3. 模型向 “裁判” 学习：让语言模型再次生成答案，由奖励模型打分，然后微调语言模型的参数，让它更倾向于生成高分答案 —— 慢慢学会符合人类偏好的回应方式。

这个过程能让 ChatGPT、Claude 这类模型明白，人类看重的是清晰、贴心、礼貌和安全，而且不用手动编码这些行为。

但模型只有收到输入，才会生成回应 —— 那我们该怎么和它 “对话” 呢？

与模型对话：交互层的秘密

10. 提示词（Prompt）：系统提示词 vs 用户提示词

• 系统提示词（System Prompt）：高层级指令，定义模型角色和约束，

• 用户提示词（User Prompt）:具体的问题或指令，即时交互

发送给模型的完整指令和上下文，就是 “提示词”。一个设计良好的提示词通常包含两部分：

• 系统提示词：设定模型的核心角色和边界，是每次交互都生效的 “永久指南”。比如 ChatGPT 可能有个隐藏的系统提示词：“你是一个贴心的助手，回答要清晰简洁，避免不安全或有偏见的内容。”

• 用户提示词：用户当下的具体问题或指令，比如 “什么是微调？”

模型会同时处理这两部分：系统提示词告诉它 “怎么表现”，用户提示词告诉它 “做什么”。这种分离能确保模型的回应始终贴心、不跑偏。

但对话很少只有一轮，要让模型记住上下文，就需要 “上下文窗口”。

11. 上下文窗口（Context Window）

聊天助手要实用，必须能处理后续问题。比如你问 “能换种方式解释吗？”，模型得知道 “那种方式” 指的是什么 —— 这就靠上下文窗口来管理 “记忆”。

上下文窗口是模型一次能 “看到” 并处理的最大token数量，包括系统提示词、完整的对话历史，以及它正在生成的回应。模型看不到这个窗口之外的内容。

这个 “记忆上限” 很关键：如果和 ChatGPT、Claude 的对话太长，应用会自动缩短历史记录（通常删掉最早的消息），避免模型忘记近期上下文。

而在这个窗口内，提示词的结构会直接影响单个答案的走向。

12. 零样本学习（Zero-shot）vs 少样本学习（Few-shot）

这两个术语描述了两种控制模型输出的核心提示词设计方式，选择哪种取决于模型完成任务需要多少引导。

• 零样本提示（Zero-shot Prompting）：只给指令，不给任何示例。完全依赖模型已有的能力理解并执行命令。比如问 ChatGPT“什么是微调？”，就是零样本请求 —— 相信对齐后的模型不用示例也能给出好答案。

• 少样本提示（Few-shot Prompting）：既给指令，又在提示词里加几个 “示例”（称为 “shots”），明确期望的输出格式或风格。比如想让模型用三个简洁的要点总结文本，就可以先在提示词里给一个这样的总结示例，再让它处理新文本。

少样本提示能让模型的输出更可靠、格式更统一。

13. 推理与思维链（Chain-of-Thought，CoT）

有时候你会问 ChatGPT 这类复杂问题，需要多步推理才能回答。比如 “对比检索增强生成（RAG）和微调，哪种更适合解决幻觉问题？” 如果模型直接给答案，很容易出现逻辑错误。

这就是 “推理能力不足” 的问题。要解决这个问题，就可以用 “思维链（CoT）” 这种提示词技巧 —— 不用只问最终答案，而是在提示词里加一句简单的指令：“咱们一步步想”。

这会让模型按逻辑步骤推导：先定义 RAG，再定义微调，然后对比两者，最后得出结论。通过 “展示思考过程”，模型在复杂问题上的推理准确性会大幅提升。

现在一些专注于推理的新模型更进一步：它们自带 “一步步思考” 的能力，不用专门提示，会自动进行内部思考，比如谷歌 Gemini 2.5 Pro、OpenAI GPT-5 和 Anthropic Claude Opus 4.1 这类尖端模型，都有这种高级推理能力。

实时运行：按下回车后发生了什么？

14. 推理（Inference）

当 ChatGPT 收到完整提示词后，就开始生成答案 —— 这个训练好的模型产生输出的过程，就是 “推理”。

你看到答案逐字逐句出现，就是推理的实时过程：模型不是一次性写出完整句子，而是每次只预测下一个最可能的token，把它加入序列，再重复这个过程，直到生成一个特殊的 “序列结束”token，或者达到最大输出长度。

15. 延迟（Latency）

从你提问到收到完整答案的时间，就是 “延迟”—— 这是影响用户体验的关键因素，延迟太高会让 AI 显得又慢又迟钝。

因为推理是逐token生成的，延迟主要看两个指标：

• 首token时间（Time-to-first-token，TTFT）：第一个答案字符出现的时间，这个指标越低越好，能让你知道 AI 正在工作；

• token间隔时间：后续token生成的速度，决定了模型的 “打字速度”。

一个好用的聊天机器人，这两个延迟指标都得低。

16. 温度（Temperature）：确定性输出 vs 随机性输出

“温度” 这个参数，控制的是模型选择token时的随机程度。当你多次问 ChatGPT 同一个问题，它应该每次都给一样的答案吗？这就由温度决定。

• 高温（1.0）：答案有创意、不可预测，属于 “随机性输出”。比如问 “巴黎是什么样的？”，可能会得到 “啊，巴黎！这座灯光之都、浪漫之都，想象一个傍晚漫步在……” 这类充满探索性的回答；

• 中温（0.7）：答案有轻微到中等程度的变化；

• 低温（0.0）：每次输出完全一样，属于 “确定性输出”。比如问 “巴黎是什么？”，会得到 “巴黎是法国的首都” 这种稳定、客观的答案。

确定性输出适合需要一致结果的场景（比如事实定义），随机性输出适合需要多样化表达的场景（比如 “换种方式解释”）。

架构与扩展：超越基础模型的能力

17. 接地（Grounding）

“接地” 的核心原则是：让大语言模型的输出只基于我们提供的、可验证的外部真实信息。

这是缓解幻觉问题的最直接方式之一 —— 不让模型依赖自己庞大但不可靠的 “内部记忆”，而是连接到可信数据源。如果没有相关信息，接地后的系统会直接说 “不知道”，而不是瞎猜。

18. 检索增强生成（Retrieval-Augmented Generation，RAG）

那怎么在实时场景中实现接地呢？答案就是 “检索增强生成（RAG）”—— 这种架构能在需要时连接知识库或外部数据源，提升答案准确性。

最典型的例子就是 Perplexity AI：你提问后，它不会只靠内部记忆回答，而是先搜索网页、找到相关来源，再把这些信息融入答案。RAG 的工作流程分三步：

1. 检索（Retrieve）：系统先搜索可信文档或网页，找到最相关的文本片段；

2. 增强（Augment）：把这些片段自动加入提示词，给模型一份 “标准答案 cheat sheet”；

3. 生成（Generate）：指示模型只基于检索到的证据生成答案。

这样一来，每个回应都有可验证的来源，既提升了准确性，也让用户更信任输出。

19. 工作流（Workflow）vs 智能体（Agent）

构建具备 “行动能力” 的 AI 系统，主要有两种方式，各自的控制程度和灵活性不同：

• 工作流（Workflow）：开发者定义固定、可预测的步骤序列，LLM 只是这个过程中的一个组件。比如 Perplexity 这类 RAG 系统，永远遵循 “检索→增强→生成” 的固定流程，可靠性高、易控制；

• 智能体（Agent）：让 LLM 充当核心 “大脑”，自主主导流程。不给固定路径，而是给它一个目标和一套工具（比如网页搜索、计算器），让它动态规划该用什么工具、按什么顺序用，来实现目标。智能体更灵活，但可预测性较低。

20. 智能体 AI（Agentic AI）

现在大多数聊天机器人都是 “被动响应型”：等你提问，才给一个答案。而智能体 AI 要解决的核心问题是：系统能自主规划并完成多步骤任务吗？

智能体 AI 让 LLM 能规划行动、执行任务，以达成复杂目标 —— 这让模型从 “工具” 变成了 “系统大脑”。

比如你不用只问 “什么是微调？”，而是可以说 “做一份关于微调的学习指南”。智能体助手会自主搜索文档、提取核心概念、整理成结构化总结，全程不用你额外输入。

现在已经有这类工具的早期版本了：比如 Gemini Deep Research、OpenAI Deep Research、Perplexity Deep Research，能自主搜索来源、收集见解、生成有条理的输出；编码领域的 Claude Code 和微软 Copilot Agent Mode，能规划并完成多步骤编程任务，不止于研究。

模型的不同形态：大语言模型家族与权衡

21. 专有模型（Proprietary）vs 开源模型（Open-Source）

用 LLM 开发应用时，迟早会面临一个实际选择：选哪种模型？

如果只是实验，可能无所谓，大概率会从 ChatGPT 这类专有 API 开始（好用又易获取）。但如果要大规模部署、降低成本或定制系统，模型类型的选择就至关重要了。

主要分三类，各自在成本、控制度和复杂度上有明显权衡：

• 专有模型（Proprietary Models）：由公司拥有和运营（比如 OpenAI 的 GPT-5），通过付费服务访问，无法查看或修改内部工作机制。很多开发者从这里起步，因为能力强、API 易集成；

• 开放权重模型（Open-Weight Models）：公开模型权重（比如 Meta 的 Llama 3.1、Mistral 7B、谷歌的 Gemma 2），但不算完全 “开源”—— 训练数据和方法通常不公开，许可证也可能有限制。这类模型透明度高、可自行部署，还能享受尖端性能；

• 开源模型（Open-Source Models）：真正意义上的开放，不仅公开权重，还提供训练代码、数据和方法，且基于宽松许可证。控制力和可复现性最强，但性能通常不如顶尖专有模型或开放权重模型。

22. 应用程序接口（API）

不管选哪种模型（专有、开放权重、开源），你的应用都需要一种方式和它 “沟通”—— 大多数时候，尤其是入门阶段，这种沟通是通过 API 实现的。

API（Application Programming Interface）就是应用和模型提供商的 “沟通桥梁”：你发送提示词，它返回生成的文本。

可以这么理解：就像用外卖软件点餐，软件不做饭，只是把你的订单发给餐厅，再把做好的饭送到你手上。你的代码也不会运行庞大的 LLM，而是通过 API 向提供商的服务器发送请求，模型生成回应后再返回给你。

比如你在浏览器里用 ChatGPT，并不是在笔记本电脑上运行 GPT-5，而是你的消息通过 API 发送到 OpenAI 的服务器，生成答案后再传回你的屏幕。

就算是在自己设备上用开放权重模型，通常也会通过 API 调用 —— 这样应用的交互方式能保持一致。

23. 小型语言模型（SLM）

大型模型虽然强大，但运行成本很高。而 “小型语言模型（Small Language Model，SLM）” 的出现，提供了另一种选择。

SLM 参数少（通常不到 150 亿），专门优化特定任务。小巧的体型让它们速度快、运行成本低，还能在笔记本电脑、智能手机这类本地设备上运行。

比如微软的 Phi-3 和 Mistral 的 7B，都是能在消费级硬件上运行的 SLM。这意味着应用可以提供私密聊天、离线助手、本地副驾驶等功能 —— 数据存在自己的手机里，不用上传到云端，既省钱又能离线使用。

24. 模态（Modality）与多模态（Multimodality）

现在很多模型只能处理一种输入：文本 —— 这就是 “模态”。如果你上传一张图表，问 “这张图是什么意思？”，纯文本模型就无能为力了。

这时候就需要 “多模态” 模型 —— 能同时处理文本、图片、音频等多种输入，让答案更贴合上下文、更实用。

现在已经有这类系统了：GPT-4o 和 Gemini 1.5 Pro 能同时接收文本、图片和音频，交互更自然。

顺便说下图像生成：很多工具会把 LLM 和扩散模型（diffusion model）结合 —— 扩散模型从噪声开始，逐步 “去噪”，在文本引导下生成图片（比如 Stable Diffusion、Midjourney、DALL・E）。还有些模型本身就是多模态的，能直接结合文本和图像生成，不用依赖外部工具。

第一种方式模块化、灵活；第二种更无缝，两者在质量、控制力、速度和成本上各有权衡。

25. 推理模型（Reasoning Models）

推理模型是一类新型 LLM，专门优化多步骤问题解决。它们不会急于回答，而是会 “先思考、记笔记”，帮助自己专注任务、对比选项、遵循规则、做简单计算，或回答 “先解释再决策” 的问题。

你可以把它们理解为自带 “一步步思考” 功能的模型。如果任务的核心是 “思考”—— 比如整合观点、权衡利弊、串联步骤，就适合用推理模型。

当然也有权衡：这类模型通常运行时间更长、成本更高。而简洁的指令模型，更适合快速查定义、短文本改写或简单查询。

衡量性能：怎么判断模型好不好用？

26. 基准测试（Benchmarks）

选模型时（比如 GPT-4o、Llama 3.1、Claude 3），怎么客观对比它们的原始能力？答案是 “基准测试”。

基准测试是标准化的测试，用来衡量和对比不同 LLM 的能力，覆盖多种任务：常识（比如 MMLU）、编码（比如 HumanEval）、逻辑推理（比如 BBH）等。

让不同模型做同一套基准测试，就能得到分数，进而排名、找出它们的优缺点 —— 这在实际应用前非常重要。

要注意两点：

• 基准测试是 “任务特定” 的：编码能力最强的模型，不一定擅长推理或总结；

• 新的基准测试不断出现，随着模型升级和任务重心变化，排名也会变动。

两个常用的真实世界基准测试排行榜：

• Hugging Face Open LLM Leaderboard：对比开放权重模型在 MMLU、HumanEval、GSM8K 等任务上的表现；

• Chatbot Arena（由 LMSYS 推出）：通过众包方式让用户一对一对比 ChatGPT、Claude、Gemini 等聊天模型，按用户偏好排名。

27. 指标（Metrics）

基准测试分数高，说明模型有潜力，但不代表它在你的应用里表现好。就算是顶尖模型，也可能因为提示词设计差、检索到无关文档或输出不清晰，给出糟糕的答案。

所以还需要 “指标”—— 针对具体使用场景的质量评估标准。比如在 RAG 类聊天助手中，常用两个指标：

• 忠实度（Faithfulness）：答案是否只基于检索到的文档？（用来衡量幻觉控制效果）；

• 答案相关性（Answer Relevance）：答案是否直接回应了用户的问题？（衡量检索和接地的质量）。

指标能帮我们从 “这个模型总体好不好？”，聚焦到 “这个系统对我们的用户好不好用？”。

28. 大语言模型作为评判者（LLM-as-Judge）

有了忠实度、相关性这类指标，怎么在成千上万次对话中评估它们？手动检查每一个答案根本不现实 —— 这就是 “大规模评估” 的难题。

解决方案是 “LLM-as-Judge”：用一个强大的尖端 LLM（作为 “裁判”），自动评估另一个模型（作为 “学生”）的输出。

具体做法：给裁判模型提供原始提示词、学生模型的回应，以及基于指标设计的评估标准，裁判会返回分数和评估说明。

这让大规模快速、一致的评估成为可能。比如很多研究实验室现在用 GPT-5 或 Claude Opus 当 “裁判”，评估小型模型在忠实度、推理能力、风格等方面的表现。

29. 幻觉（Hallucination）

大语言模型的一个主要问题是 “幻觉”—— 自信地编造虚假信息。

LLM 的目标是预测下一个可能的词，而不是核实事实。这导致它可能生成听起来很有道理，但完全是编造的内容：比如伪造不存在的研究论文引用、虚构法庭案例、编造错误的人物生平。

危险之处不在于错误本身，而在于这些错误被呈现得非常有说服力，很难察觉。在医疗、金融、法律等领域，一次幻觉就可能造成严重危害。

总结

大语言模型是高级的模式匹配者，而不是真相来源。它们的优势是语言流畅、有一定推理能力和广博的知识，但也存在幻觉、偏见、知识过时等短板。

关键在于如何围绕这些特点设计系统：选择合适的提示词技巧、检索方式、微调策略和护栏机制。

如果只能记住一点，那就是：

了解这些基础概念，能让你更有效地使用 LLM，清晰看清它们的局限 —— 这正是区分 “把 LLM 当作魔法或完全不可靠工具” 和 “构建可信任系统” 的关键。