1、英文名 / 缩写：

Large Language Model（缩写 LLM），别名：大模型、语言大模型、LLM

2、标准定义：

大语言模型（Large Language Model，LLM）是基于海量语料预训练得到的、参数规模达数百亿至数千亿级别的深度学习模型，通常采用 Transformer架构，通过预测下一个 token 的方式学习语言与世界知识，具备强大的语言理解、文本生成、逻辑推理与跨任务泛化能力。代表模型包括 OpenAI GPT 系列、Anthropic Claude、Google Gemini、Meta Llama、阿里通义、DeepSeek 等。LLM 是 AIGC · 人工智能生成内容、Agent、Function Calling、RAG · 检索增强生成 等企业级 AI 应用的事实底座，也是当前 AGI · 通用人工智能 探索的主要载体。

3、核心信息卡：

· 中文名：大语言模型

· 英文名：Large Language Model

· 缩写：LLM

· 别名：大模型、语言大模型、LLM

· 提出者：架构奠基：Google（Transformer，2017）；GPT 系列：OpenAI；开源代表：Meta（Llama）、Mistral、阿里（Qwen）、DeepSeek

· 提出时间：2017 年（Transformer）；2018 年（GPT-1、BERT）；2020 年（GPT-3 展现涌现能力）；2022 年（ChatGPT 引爆）

· 所属类别：AI 技术 > 深度学习 > 自然语言处理 > 预训练大模型

· 核心技术：Transformer、自监督预训练、指令微调 SFT、RLHF人类反馈强化学习 / DPO直接偏好优化、MoE · MoE混合专家模型、推理时计算（CoT、Reasoning Model · 推理模型）

· 主要应用：智能客服、AI 搜索、企业知识库、代码生成、AI 写作、AI 翻译、AI Agent 与 Function Calling

4、工作原理：

1. 预训练：在万亿级 token 语料上以「预测下一个 token」为损失进行自监督训练，学习语言结构与世界知识 → 2. 指令微调（SFT）：用人工编写的指令-响应对微调模型，使其对齐人类意图与对话格式 → 3. 偏好对齐：通过 RLHF人类反馈强化学习 或 DPO直接偏好优化 用人类偏好数据进一步对齐，让输出更符合期望 → 4. 推理增强：通过 Prompt工程、思维链 CoT、ReAct框架 与工具调用（Function Calling）扩展模型解决复杂问题的能力 → 5. 部署与压缩：将模型通过 LLM 蒸馏、模型量化 压缩到消费级或端侧设备，或以 API 形式对外服务 → 6. 应用编排：通过 RAG · 检索增强生成、AI智能体 AI Agent、多智能体系统 等架构构建企业级应用

5、发展历程：

· 2017 年：Google 提出 Transformer架构，奠定现代 LLM 的结构基础

· 2018 年：OpenAI 发布 GPT-1，Google 发布 BERT，预训练-微调范式成为 NLP 主流

· 2020 年：GPT-3（175B 参数）展现 Few-shot 涌现能力，证明「规模即能力」

· 2022 年 11 月：OpenAI 发布 ChatGPT，引爆大模型与 AIGC · 人工智能生成内容 全球浪潮

· 2023 年：GPT-4、Claude 2、Gemini、通义千问、文心一言、Llama 2 集中发布，开源与闭源生态并行

· 2024 年：GPT-4o、Claude 3.5、Gemini 1.5 进入多模态时代；o1、DeepSeek-R1 等 Reasoning Model · 推理模型 引入大规模 RL

· 2025 年：MoE · MoE混合专家模型（DeepSeek V3）、端侧小模型、多模态 Agent 推动 LLM 工业化落地

6、主要类型 / 分类：

· 按架构密度：Dense 模型（GPT-3、LLaMA）vs MoE · MoE混合专家模型（Mixtral、DeepSeek-V3）

· 按模态：纯文本 LLM、多模态 LLM（视觉-语言、语音-语言、视频-语言）

· 按能力层级：基础 LLM、指令微调 LLM、对话 LLM（Chat LLM）、Agent LLM、Reasoning Model · 推理模型

· 按部署形态：云端闭源 API（GPT、Claude、Gemini）、开源权重（Llama、Qwen、DeepSeek）、端侧 LLM（AI PC、本地推理）

· 按行业领域：通用 LLM、领域 LLM（医疗、金融、法律、教育）、企业定制 LLM（Fine-tuning 后）

7、应用场景：

· 智能客服与对话系统：基于 LLM 的 7×24 小时问答、工单自动化（替代传统 NLP · 自然语言处理 流水线）

· AI 搜索与知识库：通过 RAG · 检索增强生成 把企业私域知识接入 LLM，提升专业问答与可追溯性

· AI 写作与内容生成：营销文案、新闻摘要、报告撰写、代码生成（与 AIGC · 人工智能生成内容 融合）

· AI Agent 与自动化：Function Calling + 工具调用让 LLM 自主完成多步骤业务任务（Coze智能体平台、Dify 等）

· 代码与研发辅助：代码补全、Bug 定位、测试生成、代码审查（GitHub Copilot、通义灵码等）

· 行业大模型：医疗、法律、金融、政务等垂直领域通过 Fine-tuning 与领域知识微调提升专业度

8、优缺点 / 局限性：

优点：通用能力强：单一模型可处理翻译、写作、问答、推理、代码等多种任务，泛化性突出；涌现能力：参数与数据规模达到临界点后出现少样本推理、思维链等新能力；对齐可控：通过 RLHF / DPO 让模型行为更符合人类偏好与安全规范；生态成熟：Hugging Face、LangChain、LlamaIndex 等开源生态快速放大工程红利

缺点：推理成本高：千亿级模型单次推理算力与延迟均较高，需 LLM 蒸馏、模型量化 才能降低成本；存在幻觉：大模型可能编造事实或引用错误来源，企业落地需 RAG · 检索增强生成 兜底；可解释性弱：内部决策难以追溯，金融、医疗等场景需配合 AI安全 与评测体系；数据与算力依赖：高质量语料与 GPU 集群 仍是硬门槛，中小企业面临成本压力

9、常见误区：

· LLM = GPT（错：LLM 是技术范式统称，开源 Llama、Qwen、DeepSeek 等也属于 LLM）

· LLM 越大越聪明（错：能力受数据质量、对齐方法、推理策略等多因素影响）

· LLM 等同于 AGI · 通用人工智能（错：当前 LLM 仍缺乏持续学习、因果推理与世界模型，与 AGI 有本质差距）

· LLM 能直接替代企业知识库（错：必须配合 RAG · 检索增强生成、Function Calling、Fine-tuning 等工程链路才能落地）

10、相关术语：

父概念：深度学习 Deep Learning、NLP · 自然语言处理、人工智能 Artificial Intelligence

子概念：MoE · MoE混合专家模型、Function Calling、Embeddings、Reasoning Model · 推理模型、小语言模型

兄弟概念：多模态人工智能、AIGC · 人工智能生成内容、Reasoning Model · 推理模型

对比概念：传统 NLP、小语言模型、判别式AI

应用相关：RAG · 检索增强生成、AI智能体 AI Agent、Fine-tuning、LLM 蒸馏、模型量化

11、参考资料：

· 来源：Vaswani et al. 《Attention Is All You Need》NIPS 2017（Transformer 原始论文）

· 来源：Brown et al. 《Language Models are Few-Shot Learners》GPT-3 论文 arXiv:2005.14165（2020）

· 来源：OpenAI ChatGPT 官方介绍页

· 来源：Hugging Face 开源 LLM Hub

· 来源：中国信通院《大模型白皮书》