**大语言模型(LLM)**是在海量文本上训练的神经网络,做的事情简单得出人意料:预测序列中的下一个 token。LLM 表现出的一切能力——回答问题、写代码、总结文档——都是这个预测循环在一次一个 token 地运转,每次选择背后是从数万亿词中学到的规律。ChatGPT、Claude、Gemini 都是套着产品外壳的 LLM。
一段话讲清原理
现代 LLM 几乎都是 transformer 架构,其注意力机制让模型把输入的每个部分与其他所有部分相互权衡——所以「银行」挨着「贷款」和挨着「河岸」读出来的含义不同。训练分两个阶段:预训练,模型通过在超大规模上预测被遮住的文本,学会语言、事实与推理模式;后训练(指令微调、RLHF),把一个只会续写文本的预测器塑造成会听指令、能拒绝有害请求的助手。
「大」为什么重要
规模是让 LLM 变得有趣的那味原料。随着参数量和训练数据增长,小模型完全不具备的能力涌现了出来——多步推理、能跑的代码、工具调用。到 2026 年,前沿既有 Claude Fable 5、GPT-5.5 这样的闭源模型,也有 GLM-5.2 这样可以下载自部署的 753B 参数开源权重巨兽。
LLM 能做什么,不能做什么
强项:各类语言任务、代码生成,以及越来越长的 agentic 工作——带着工具规划并执行多步任务。弱项:LLM 没有内置的事实核查器,会产生幻觉——流畅而自信地说错话。它只知道训练数据里有的东西(即「知识截止日期」)加上你放进上下文窗口的内容;它是在预测而不是计算,所以严肃的生产部署都会给模型配上搜索、代码执行等工具。
实际看看
浏览 LLM 模型目录查看当前模型的价格与上下文规格,读 2026 LLM 全景指南了解领域格局,或直接看最佳编程大模型榜单做采购决策。