什么是LLM？看这一篇就够了！

原创最新推荐文章于 2026-07-06 08:18:01 发布 2.6w 阅读 AI写同款

AI程序猿人

6517粉丝561篇原创

关注

探究大语言模型(LLM)：让ChatGPT火爆的背后 ChatGPT作为一款大型的语言模型，其多层次、多粒度的设计和预训练+微调的模型训练方式使得其在自然语言处理领域具有非常高的应用价值和前景。随着技术的不断进步，ChatGPT等大型语言模型的应用将不断扩大和普及。阅读详情

AI摘要

本文介绍了大语言模型（LLM）的基本概念、应用场景及其局限性，并推荐了若干LLM产品及模型，探讨了提示词工程、微调等技术手段，以及LLM在多模态、RAG、Agent等方面的发展。

前言

自从2022年12月 ChatGPT 横空面世以来，AI 领域获得了十足的关注和资本，其实AI的概念在早些年也火过一波，本轮 AI 热潮相比于之前的 AI，最大的区别在于：生成式。本文主要介绍大语言模型（Large Language Model，简称LLM）。

大语言模型介绍

什么是大语言模型（LLM）

通过海量文本训练的、能识别人类语言、执行语言类任务、拥有大量参数的模型，称之为大语言模型。GPT、LLaMA、Mistral、BERT等都是LLM，LLM是对训练文本信息的压缩，同时拥有了泛化能力，不同于数据库和搜索引擎，LLM能创造性地生成历史上没有出现过的文本内容。

LLM能做什么

总体可以概括为：创作内容、处理和分析数据、自动化任务、智能客服

• 写作：写邮件、计划书、宣传文案、简单的故事等，可以模仿小红书风格、指定作家风格，尤其适合写长篇套话，但目前要写出完整且有趣的小说还比较难。
• 润色：提供大纲或已有文本，由LLM来扩写、改写，适用于洗稿、避免被查重等场景。
• 总结：提供会议记录、文章，由LLM自动总结要点和待办。
• 翻译：多语言翻译、白话文和文言文翻译，结合特定prompt进行多轮翻译可以实现惊艳的结果。
• 数据分析：从报告中提取数据、分析数据，做成可视化图表。
• 编程：Github Copilot，程序员都应该用。
• 提取结构化信息：从用户的自然语言中，提取出结构化的信息，方便传给程序做自动化处理。
• 智能助手：利用Agent实现工作流
• 智能客服：基于RAG实现智能客服

……等等

LLM有什么缺陷

目前LLM最大的缺陷是幻觉严重，经常会生成无中生有的回复，如果你没有对应的专业知识，很容易被带偏。所以如果你要用于工作、教育等严肃场景，人工二次校验是必要的。幻觉短期内是无法消除的，甚至LLM的泛化能力也跟幻觉有关，就像人类会做离奇的梦一样。为了解决LLM回复准确性的问题，RAG技术被广泛应用。

另外还有一些问题：训练信息更新不及时、逻辑能力差、推理速度慢等。

LLM产品和模型推荐

LLM产品推荐

排名有先后，仅代表个人意见。

国外产品的通病：对网络有要求；

国内产品的通病：有时会触发莫名其妙的限制；

各个产品的使用地址：因个人公众号无法插入超链接，请点击最底部的“阅读原文”来查看链接。

• ChatGPT：网页版；非国区应用商店可下载APP；
• Poe：网页版；非国区应用商店可下载APP；
• Coze：国际版；国内版
• Gemini：个人版；开发者版,100万上下文
• Arc Search：官网下载客户端；非国区应用商店可下载APP；
• Perplexity：网页版；非国区应用商店可下载APP；
• 通义：网页版；各大应用商店可下载APP；
• 秘塔：网页版
• Kimi：网页版；各大应用商店可下载APP；
• 文心一言：网页版；各大应用商店可下载APP；
• 海螺AI：网页版；各大应用商店可下载APP；
• 智谱清言：网页版；各大应用商店可下载APP；
• 豆包：网页版；各大应用商店可下载APP；
• Microsoft Copilot：网页版；非国区应用商店可下载APP；
• HuggingChat：网页版；非国区应用商店可下载APP；
• 讯飞星火：网页版；各大应用商店可下载APP；
• 百小应：网页版；各大应用商店可下载APP；

LLM模型评测

部分数据参考LLM竞技场，含个人主观评判，仅代表个人意见。图片太大，在电脑端查看更佳。

LLM教程

对于大多数人来说，没必要专门学习LLM的知识，最多学一下Prompt Engineering就够了。就像我们不需要学习iOS和安卓的底层系统，只需要知道有哪些便捷的系统功能即可。

优秀的LLM教程

因个人公众号无法插入超链接，请点击最底部的“阅读原文”来查看链接。

· 3Blue1Brown视频教程

首推这套教程，可视化讲解了Token、Embedding、Transformer等一系列概念，绝对是入门的最佳教程。

深度学习第5章：https://b23.tv/k68hwjD

深度学习第6章：https://b23.tv/11SNpcT

· Cohere文字教程

虽然是英文文字教程，但是写的非常浅显易懂，四级水平就能看懂。

链接：Cohere教程

· 电子书：《大语言模型》

这是一套包含了项目落地和实操的教程，适合程序员和AI从业人员。

链接：Github

· 台大李宏毅课程

大学的实际教学内容，从线性代数的角度讲解Transformer的原理。

视频地址：https://b23.tv/sasg96g

提示词工程（Prompt Engineering）

最有效的提示词策略是：使用更好的模型。使用小模型时各种提示词方法都控制不了输出结果，换成更大更好的模型后，一句提示词就可以解决。

提示词工程是用于弥补现阶段LLM能力的不足，随着LLM的能力提升，提示词工程的作用会越来越小。

这类教程有很多，我常用的是这个：Prompt教程

微调（Finetune）

微调可以补充和强化LLM的知识，例如使用中文数据集微调LLaMA 3 8B，即可大幅提升中文能力、减少回复里出现表情的情况。小模型推荐基于Phi 3、LLaMA 3、Mistral模型微调。中模型推荐基于Yi-34B微调。

这个Github仓库，提供了colab链接，可以在线微调小模型：colab免费微调模型

数据集

数据集的质量对LLM能力有很大的影响，人类可用的数据集现在已经被全部用于训练LLM了，并且已经开始使用AI合成的数据来训练LLM。关于数据集，可以查看这篇数据集综述

对应的开源数据集，包含444个数据集，大小超过774TB，覆盖8种语言：开源数据集

多模态LLM

LLM是语言模型，只能理解文字、生成文字，多模态的含义是除了文字能力外，还可以理解和生成图片、语音、视频。目前多模态LLM有两种，一种是GPT-4V和LLaVA，通过额外的图片识别模块具备多模态能力，另外一种是GPT-4o和Gemini，模型原生就是多模态，可以更快地处理和生成多模态信息。

关于多模态模型的综述

对应的项目地址

RAG

RAG(Retrieval Augmented Generation，检索增强生成)是目前LLM应用落地的重要方向，主要的应用场景是企业客服系统和搜索结果结构化展示（代表作是Perplexity和秘塔）。RAG对数据的规范程度要求比较高，数据越规范，查询效果越好，结合树形结构或知识图谱结构的数据，RAG可以实现更好的效果。

开源RAG框架推荐：Cohere；Cognita

Agent

Agent翻译成中文是智能体的意思，是AGI的前奏。现阶段的Agent只能算工作流，什么时候Agent能根据用户要求直接创建好Agent，才算是真正的智能体。

目前好用的Agent平台是Coze和Dify

LLM越狱

LLM有安全机制，会拒绝回答一些问题，LLM越狱可以让LLM按要求回答任何问题。

这个仓库收集了各个模型的越狱提示词：LLM越狱

本地部署LLM工具

个人电脑运行LLM，最大只能运行20B以下的模型，33B模型需要32G显存。比较适合本地运行的是Phi 3 Medium（14B）、LLaMA 3 8B、Mistral 7B。

推荐以下两个客户端：Ollama； LM Studio

LLM的未来

目前可以预见的趋势：

• Scaling Law 依旧有效，GPT-4 在22年年中完成训练，GPT-5在24年年中完成训练，参数规模提升依旧可以提升性能；
• 原生多模态展露头角，GPT-4o 的亮相，实现了实时语音交互，为语音助手的落地提供了技术支撑；
• 多 token 预测，Meta 发布的多 token 预测方法，一次预测多个 token 而不是单个 token ，可以提升 LLM 的逻辑能力，很有发展前景。