大模型除了聊天还能做什么？关于大模型的分类和应用

关注

原创最新推荐文章于 2026-01-30 16:47:55 发布 888 阅读 AI 写同款· GEO 优化 ›

使用大语言模型（LLMs）进行文本分类使用 LLMs 进行文本分类在模型性能方面具有一定的竞争力，其无需任务特定训练和减少标注数据需求等优势使其在某些场景下具有独特的价值。然而，LLMs 也面临着准确性有待提高、成本高昂、延迟较大、缺乏置信度分数以及内容过滤等问题。阅读详情

“ 大模型由于其快速迭代的原因，因此大模型分类存在很多困难；而作为大模型应用的使用者和开发者我们需要做的就是不断去尝试和体验模型的功能。”

大模型技术发展到今天，其功能可以说是日新月异；并且很多企业已经在探索大模型的应用场景和技术实现；但是很多人到现在对大模型的了解仅仅只限于能聊个天，问个问题。

但实际上，大模型能够做的事要远比我们想象中的要多的多；因此，今天我们就从用户和技术两个角度来介绍一下大模型的应用。

关于大模型的分类和应用问题

如果想弄清楚大模型是怎么使用的，首先要知道大模型的分类；不同类型的模型适合不同的应用场景，其功能和实现也各不相同。

而关于大模型的分类问题其实是一个复杂的问题，大模型的分类有多个维度，比如从任务类型有分类模型，翻译模型，摘要模型和文本生成等。

但从与具体的技术场景结合来看，又有NLP任务，CV任务等；而从功能来看又有生成式模型和推理模型；从垂直角度看，有处理图片的模型，有写代码的模型；如果从纯粹的技术角度来看，又有Transformer模型，Gan网络等。

而在实际的模型设计和开发过程中，很多模型采用的又是混合架构；比如说一个模型既有生成能力，又有推理能力，而能够生成多种模态数据的模型被称为多模态。

再加上大模型技术日新月异的迭代速度，因此很多人很难分清哪个模型是干啥的，有哪些功能；因此在选择模型时，最好就是根据自己的任务需求去搜索相关的模型，最后再根据模型的官方介绍，然后再应用到具体的业务场景中。

大模型分类困难的四大根源

技术融合

现代大模型（如GPT-4、Claude 3）已发展为「通用计算平台」，同时具备：
- 生成能力（文本/图像/代码）
- 推理能力（数学/逻辑）
- 判别能力（分类/检测）
- 多模态理解（文本+图像+音频）

2. 命名混乱

1. 商业命名（如"文心一言"）不反映技术架构
2. 同一架构不同规模（LLaMA-2-7B/13B/70B）能力差异巨大

3. 动态进化

1. 插件系统的引入（如ChatGPT的Browsing/Code Interpreter）使单模型能力边界模糊

4. 评估标准缺失

1. 缺乏统一的「能力维度评估体系」，不同厂商宣传指标不可比

理解大模型分类的本质是：放弃绝对分类，建立多维评估体系。建议从实际任务出发进行验证，而非过度依赖理论分类。

前面简单了解了一下大模型的分类问题，但仅仅知道大模型有哪些类型并没什么用，最重要的是用大模型解决我们的问题；以此来提高我们的工作和生活效率。

所以，学习大模型没有最好的办法，或者说办法只有一个；那就是多用，多尝试，多研究。

大模型应用

大模型其实从应用的角度来说，主要有三个方面：

第一就是利用大模型本身的能力，比如AIGC去做一些文本，视频，图片的生成能力；比如做自媒体，写文章，修图，剪辑视频等。

其次，就是RAG给大模型做知识增强，因为大模型本身限制的原因；导致其在某些方面知识缺陷，因此就可以使用外部知识库的方式让大模型做知识增强。

最后，可以说是最有发展前景的方向就是——智能体；智能体就是给大模型装上手和脚，通过思维链，工作流，function call/MCP等技术；使得大模型具备独立思考和使用外部工具的能力。

当然，这三种方式大都是从技术角度来说的；但从用户角度来说，我们可以使用一些生成模型做一些简单的工作，如处理图片，写文档等。

而一些企业基于工作流平台开发智能体，比如coze平台；我们就可以根据自己的需要构建一个能够执行特定任务的智能体；以此来提高我们的工作效率。

总之，人工智能技术处于一个快速发展快速迭代的过程；很多新技术和名词每天都在涌现；因此，我们需要做的就是不断跟进市场的脚步，多去尝试和试验；最终我们就会知道大模型能做什么，以及我们需要大模型给我们做什么。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望