🌞欢迎来到人工智能的世界 
🌈博客主页：卿云阁

💌欢迎关注🎉点赞👍收藏⭐️留言📝

📆首发时间：🌹2026年5月16日🌹

✉️希望可以和大家一起完成进阶之路！

🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

---

​

大模型的认知

LLM是什么

大模型全称为大语言模型，英文为 Large Language Model，缩写 LLM。它是一类基于机器学习与

自然语言处理技术构建的深度模型，通过学习海量文本数据，习得人类语言的语义理解、上下文推

理及文本生成能力，能够完成问答、对话、文本创作、指令遵循等任务。

Chat GPT是对话的产品(就是我们在网上看到的内容），里面的模型使用的GPT-3.5。（相当于里

面的发动机）。

国家	对话产品	大模型	链接
美国	OpenAI ChatGPT	GPT-3.5、GPT-4	https://chat.openai.com/
美国	Microsoft Copilot	GPT-4 和未知	https://copilot.microsoft.com/
美国	Google Bard	PaLM 和 Gemini	https://bard.google.com/
中国	百度文心一言	文心	https://yiyan.baidu.com/
中国	讯飞星火	星火	https://xinghuo.xfyun.cn/
中国	智谱清言	ChatGLM	https://chatglm.cn/
中国	月之暗面 Kimi Chat	Moonshot	https://kimi.moonshot.cn/
中国	MiniMax 星野	abab	https://www.xingyeai.com/

常见大模型的版本区分

标签 / 术语	含义解释
通义千问2.5	这是通义千问第2.5代通用模型
版本编号 (如0314、2025-03-05)	这些数字通常代表模型的发布或修订日期。
72B	指大模型的内部参数量，比如还有DeepSeek满血版DeepSeek-671B，1个B为10亿。
1M (含32k等)	这个标签通常指的是模型处理文本时的最大token数(或“上下文窗口”大小)。32k意味着模型能够在一个实例中处理最多32,000个token。这对于处理长文本特别有用。
Turbo	这可能指的是模型的一个优化版本，旨在提高速度和效率，可能在保持生成质量的同时减少了资源消耗。
Preview	这通常意味着该模型是供早期访问、测试或预览的版本。它可能不是最终的商业版本，但提供了对即将发布功能的早期查看。
带V字	这意味着模型被设计或优化以处理视觉数据，比如图像或视频

ChatGPT的技术原理

大模型的训练整体上分为三个阶段：预训练、SFT（监督微调）、基于人类反馈的强化学习

（RLHF）

预训练 (Pre-training) 

模型像海绵一样阅读互联网上的海量文章，学习语言规律和世界常识。

监督微调 (SFT) 

人类给它示范标准的“一问一答”，手把手教它怎么理解指令、怎么回答问题。

强化学习 (RLHF) 

人类做裁判给它的回答打分，它根据分数不断调整，揣摩人类喜好。

Token是什么？

Token 是大语言模型（LLM）处理和理解人类语言的“最小基本单位”。

英文单词：  常见的短单词通常就是 1 个 Token（比如 apple, run）。

      较长或罕见的单词可能会被切碎成几个 Token（比如 hamburger 可能会被切成 ham、bur、ger

三块）。在英文中，大约 1 个 Token 约等于 0.75 个单词（或者说 100 个 Token 约等于 75 个英文

单词）。

中文字符：在早期的模型中，一个汉字往往对应 1 个甚至多个 Token（因为汉字编码复杂）。

现在的中文大模型经过优化，常用的词组（如“苹果”、“中国”）可能会被打包算作 1 个 Token，但

很多时候一个汉字依然算作 0.5 到 1 个 Token。在中文里，通常 1 个 Token 约等于 0.5 到 1 个汉

字。

标点符号和空格： 它们也算 Token！

大模型为啥叫做大模型？

参数极大（算力底座）：参数量十亿起步（如 GPT-3 的1750亿，GPT-4 的1.8万亿），赋予了模

型强大的学习与记忆能力。

数据海量（知识来源）：依赖海量的文本、图像、音频等多模态数据进行训练，是模型掌握知识的

基础。

应用高效（赋能生产）：AIGC 技术已深入传媒等行业的“采、编、播”全流程，大幅提升了内容生

产的效率、质量与影响力。

---

简单的大模型应用开发

基本步骤

注册平台用户：前往对应大模型服务平台，完成账号注册与实名认证。

开通大模型调用权限：在个人控制台申请开通大模型 API 调用功能，阅读并同意服务协议。

获取身份凭证 API‑Key：进入密钥管理页面，创建并复制专属 API Key，用于接口身份校验。

代码调用实现功能：基于 Python 等编程语言，编写调用代码，传入 API‑Key、提示词等参数，向

接口发送请求，接收并解析模型返回结果，实现问答、文本生成等业务功能。

大模型服务平台百炼控制台（使用教程）

配置API Key到环境变量

做法	做法比喻	缺点/优点
写死在代码里 (Hardcoding)	把银行卡密码写在银行卡背面	极易泄漏；切换环境需改代码；团队协作麻烦。
配置到环境变量 (Environment Variables)	密码记在脑子里或存入密码管理器	安全（代码中无敏感信息）；灵活（一套代码随处运行）；专业。

在 Linux 或 macOS 系统中配置永久环境变量的经典操作流程。（以阿里云百炼的

DASHSCOPE_API_KEY 为例）

写入配置文件

​
echo "export DASHSCOPE_API_KEY='YOUR_DASHSCOPE_API_KEY'" >> ~/.bashrc

让配置立刻生效

source ~/.bashrc

检查是否成功

echo $DASHSCOPE_API_KEY

代码实现

删除环境变量

---

大模型赋能行业

大模型赋能各行各业，核心路径是依托垂直行业数据，构建行业专属大模型，通过精细化落地实现

智能化升级。通用大模型具备基础的语言理解与生成能力，但缺乏行业专业知识与场景适配性，因

此需要针对不同领域，利用行业私有数据、业务规则、专业知识库，通过微调、领域预训练等方

式，打造医疗、法律、政务、工业、水务等垂直领域大模型，使其精准匹配行业业务逻辑、专业术

语与实际应用场景。在部署方式上，可采用本地部署或云端部署两种模式。其中通过 Ollama 实现

本地私有化部署，能够将模型与数据完全部署在企业内部环境，避免数据外传；而云端部署虽然便

捷高效，但企业业务数据、隐私信息、敏感行业资料需上传至公有云，存在数据泄露、信息合规、

隐私安全等风险。因此对安全要求较高的行业，更适合采用本地私有化部署模式，在保障数据安全

的前提下，实现大模型技术的行业赋能。

​