模型分类

• 语言模型：玩转文字的“语文天才”
• 语音模型：专精于声音的“听力与口才专家”
• 视觉模型：读懂图像的“火眼金睛”
• 向量模型：把信息变成通用数学“代号”的翻译官
• 智能路由模型：负责调度和分配的“总指挥”

1. 语言模型

• 是什么意思？
  专门学习和生成人类文字语言的模型。它通过海量文本训练，掌握了语法、词义、逻辑和一定的推理能力。

• 能做什么事？

  • 对话、问答（ChatGPT、DeepSeek等聊天机器人）

  • 内容创作（写文章、邮件、诗歌、代码）

  • 文本总结、翻译、情感分析

2. 语音模型

• 是什么意思？
  专门处理音频信号的模型。它可以分为两类：

  • 语音识别（ASR）：听懂人说话，把声音转成文字。

  • 语音合成（TTS）：学会说话，把文字变成自然的人声。

  • 声纹识别：分辨说话人是谁。

• 能做什么事？

  • 智能语音助手（Siri、小爱同学）接收你的语音指令

  • 自动生成视频配音、有声书

  • 会议录音转文字、语音搜索

  • 电话客服质检、声纹门禁

3. 视觉模型

• 是什么意思？
  专门处理图像或视频的模型。它能识别图像中的物体、人脸、场景、动作等。

• 能做什么事？

  • 图像分类（这是猫还是狗？）

  • 目标检测（框出图中的车和行人）

  • 人脸识别（解锁手机、支付验证）

  • 医学影像分析（X光、CT找病灶）

  • 自动驾驶（识别车道、路标、障碍物）

4. 向量模型

• 是什么意思？
  它不直接输出文字或图像，而是将任何信息（文本、图片、音频等）转换成一个数学向量（一列有意义的数字）。核心能力是让“语义相似”的两个东西在向量空间里距离更近。

• 能做什么事？

  • 语义搜索（搜“会飞的老鼠”找到蝙蝠）

  • 推荐系统（给你推和之前看过商品相似的商品）

  • 知识库问答（先将文档转成向量建立索引，再把你的问题转成向量去匹配相关内容，最后交给语言模型回答）

  • 文本去重、聚类、异常检测

5. 智能路由模型

• 是什么意思？
  这是一个决策调度模型。它不直接解决问题，而是先分析用户的请求，判断这个请求属于哪种类型、需要哪些能力，然后将任务分派给最合适的专门模型（如语言模型、语音模型、视觉模型等），有时还会组合多个模型的结果后返回。

• 能做什么事？

  • 构建复杂的AI系统（例如一个智能音箱：你说“帮我看看门口是谁”，路由模型判断需要先调用语音模型转文字 → 再调用视觉模型分析摄像头画面 → 最后调用语言模型组织回答）

  • 成本与效率优化（简单问题让便宜的小模型处理，复杂问题才交给昂贵的大模型）

  • 工具调用（“发邮件给张三”，路由决定调用发邮件的API，而不是自己编内容）

对比总结表