大模型已成为新一代AI核心基础设施，它从单一语言处理逐步拓展至多模态应用。但是，在带来强大能力与广阔应用前景的同时，大模型也存在知识幻觉、时效性不足、缺乏执行能力等局限。本节将介绍大模型的基本概念、典型代表及其优势与局限性。
1.1.1 大模型的概念
大模型泛指参数量巨大、需要海量数据训练、能够从数据中学习复杂模式的深度神经网络模型。它的“大”主要体现在参数量、训练数据量和计算规模上。早期的大模型主要用于处理文本信息，因此通常提到大模型主要指大语言模型（Large Language Models, LLM）。大语言模型的核心能力是处理语言任务，ChatGPT、文心一言、通义千问、LLaMA等，都是典型的大语言模型。国内外主流的大模型如表1-1所示。
表1-1 国内外主流的大模型
目前，大模型也常用于处理图像、音频、视频、科学数据等多模态信息，因此可将大模型细分为大语言模型、视觉大模型、多模态大模型、科学计算大模型等。
1.1.2 大模型的优势与局限性
大语言模型是基于海量数据训练的AI模型，具备强大的语言理解、内容生成、知识问答能力，在面对用户提问时能够理解自然语言并快速响应输出，常应用于文案写作、资料查询、题目解答等场景。
然而，在实际应用中，大模型也存在着以下的局限性。
- 知识幻觉：模型可能会一本正经地胡说八道，生成不真实的信息。
- 时效性不足：模型的知识截止于训练数据的时间点，无法获取最新信息。
- 缺乏主动性与行动力：模型仅能被动响应指令、生成文本建议，无法自主规划任务，也不能直接操作软件、查询数据库或调用API完成实际任务。
- 逻辑推理局限：在面对复杂的数学推理或多步骤任务时，容易迷失方向。
例如，让大模型“帮我整理学生本周作业完成情况，统计未交名单，并自动发送提醒消息给对应家长”，大模型只能根据你提供的作业信息生成统计文本，既无法自动调取班级作业系统里的提交记录，也不能自动识别未交学生，更没办法帮你发送消息给家长，全程需要用户手动查询、核对、转发，无法完成全流程闭环。
