2024 年主流大型语言模型 LLMs 盘点
大型语言模型（Large Language Models，简称 LLMs）如今已广泛应用于各个领域。本文旨在梳理当前最主流、最具影响力的 LLMs，并深入解析其工作原理与应用场景。
什么是 LLM
LLM 是一种通用的 AI 文本生成器，是各类 AI 聊天机器人和写作辅助工具的核心引擎。去除了复杂的界面交互，其本质是接受用户提示（Prompt），利用训练好的概率分布生成看似合理的后续文本。
基于 LLM 的聊天机器人并非简单的关键词匹配或预设回复系统，而是通过深度学习理解语义上下文，从而做出恰当的响应。这使得同一模型经过微调后，既能处理客户咨询，也能撰写营销文案或总结会议记录。
大模型工作原理
早期的 LLM（如 GPT-1）在生成长文本时容易逻辑断裂，而现代模型（如 GPT-4）能够生成数千个连贯且有意义的单词。这一进步主要得益于海量数据的训练。
训练数据与参数
LLM 的训练数据通常涵盖整个公共互联网及大量出版书籍。从这些数据中，模型学习高维向量表示，将单词（或更细粒度的 Token）之间的关系进行数学建模。每个 Token 拥有唯一 ID，相似概念被组合在一起，形成神经网络的基础。
神经网络包含输入层、输出层及多个隐藏层。节点计算输入中应跟随的下一个词，不同节点具有不同权重。例如，输入'Apple'时，网络需判断后续是'Mac'、'iPad'还是'pie'。模型的参数量（Parameters）即底层神经网络的层数与节点总数，通常参数量越大，模型理解和生成的文本越复杂。
安全与对齐
开放互联网训练的模型缺乏方向性，可能产生有害内容。因此，LLM 会经过进一步的监督微调（SFT）和人类反馈强化学习（RLHF），调整节点权重以引导其产生安全、有用的响应。这也是为什么模型有时会出现'幻觉'（编造事实），因为它是基于概率预测而非事实检索。
LLM 的应用场景
LLM 的强大之处在于泛化能力。同一个内核模型（部分需微调）可执行数十种任务：
- 通用对话：如 ChatGPT、Google Bard。
- 企业客服：基于私有文档培训的专用聊天机器人。
- 翻译与转换：多语言互译、代码生成或语言转换。
- 内容创作：社交媒体帖子、博客文章、营销文案。
- 分析与审核：情绪分析、内容合规性审核、写作纠错。
- 数据分析：辅助解读数据趋势。
需要注意的是，LLM 擅长文本生成，但在图像解释、文件转换、网络搜索及复杂数学运算方面，通常需要结合其他 AI 服务或多模态模型协同工作。
2024 年主流 LLM 盘点
GPT (OpenAI)
- 开发商：OpenAI
- 参数规模：GPT-3.5 约 1750 亿，GPT-4 未知但显著更大
- 访问方式：API / ChatGPT
- 特点：开启了最新的 AI 热潮，被 Microsoft、Duolingo 等广泛集成。ChatGPT 是其功能最直观的演示。
Google Gemini & PaLM 2
- 开发商：Google
- 型号：Gemini Nano/Pro/Ultra, PaLM 2
- 特点：Gemini 系列支持多模态（文本、图像、音频）。PaLM 2 专为自然语言任务设计，支撑 Bard 及 Google Workspace 功能。
Llama 2 (Meta)
- 开发商：Meta
- 参数规模：7B, 13B, 70B
- 访问方式：开源
- 特点：Facebook 母公司 Meta 推出的开源系列，是目前最流行的开源模型之一。允许研究和商业用途，衍生出众多变体。
