大模型分类

作者：马育民 • • 阅读：10075

介绍

大模型根据不同任务、不同目标、不同训练方式、不同的部署方式、是否开源等，会有不同的分类

根据任务、训练方式分类

根据任务分类：

  • LLM 任务：预测下一个词（续写）
    • 训练目标：文章、小说、代码补全
  • Chat Model 任务：理解对话、回答问题、服从指令
    • 训练目标：多轮对话、听话、按角色回答

根据训练方式分类：

  • LLM：只做无监督预训练
  • Chat Model：在 LLM 基础上做
    • SFT 有监督微调
    • RLHF 人类偏好对齐

所以分成两类：

  • 你要续写文章 → LLM 结构最适合
  • 你要聊天、助手、客服 → Chat Model 结构最适合

LLM大语言模型 和 Chat Model聊天模型 区别，详见 链接

根据专业知识、训练数据分类

根据专业知识分类：

  • 通用模型：什么都懂一点，但不精
  • 医疗/法律/代码模型：只精一个领域

根据训练数据分类：

  • 通用：全网文本
  • 垂直：专业文献、病历、法律条文、代码库

所以必须分类：做 医疗问诊，不可能用通用大模型，必须用医疗大模型。

根据是否开源分类

因为企业需求不一样：

  • 要隐私 → 本地部署 → 开源
  • 要方便 → 直接调用 → 闭源API

多模态模型

与其他模型不同，该模型不只文字，可以输入：

  • 文字
  • 图片
  • 音频
  • 视频

模型结构不一样

需要处理 不同模态的数据

应用场景

实现 看图回答、OCR、图文理解，只能用多模态。

编码器 Encoder、解码器 Decoder、编码器-解码器 Encoder-Decoder

https://www.malaoshi.top/show_1GW3LtPNIgKr.html

按交互形态

这是开发中最常接触的分类，对应 LangChain 里的核心模型类型：

分类 核心特征 代表模型 典型应用
大语言模型（LLM） 纯文本输入输出，核心是“文本补全/续写”，无对话角色概念 GPT-3（text-davinci-003）、LLaMA 1 文本生成、摘要、翻译、代码补全
聊天模型（Chat Model） 基于角色（system/user/assistant）的多轮对话交互，专为对话优化 GPT-3.5/4 Turbo、文心一言、通义千问、GLM-4 智能客服、AI 助手、多轮问答
多模态模型 支持文本、图片、音频、视频等多输入输出 GPT-4V、Claude 3、通义千问多模态、文心4.0多模态 看图问答、图文生成、语音交互

按部署方式

开发选型核心维度

分类 核心特征 优势 劣势
闭源商业模型（API 调用） 厂商托管，通过 API 调用，无需本地部署 效果好、维护成本低、更新快 付费、数据隐私风险、有调用限制
开源本地模型 可下载权重，本地/私有化部署 数据可控、无调用限制、定制化强 需硬件资源（GPU）、维护成本高、效果略逊
混合部署模型 核心逻辑本地部署，部分能力调用API 平衡隐私与效果 架构复杂、调试成本高

按能力定位

按场景细分

分类 核心特征 代表模型
通用大模型 全场景适配，无明显领域限制 GPT-4、文心一言、通义千问、GLM-4
领域大模型 针对特定行业优化 医疗大模型（讯飞医疗）、法律大模型（北大法宝）、代码大模型（CodeLlama、DeepSeek-Coder）
嵌入模型（Embedding） 专注文本向量化，无生成能力 text-embedding-ada-002、通义嵌入、文心嵌入
工具调用模型 专为调用外部工具/函数优化 GPT-4 Turbo、Gemini Pro、GLM-4

按规模/参数

分类 核心特征 说明
大参数模型 参数量≥100B（百亿级） 效果强，但部署成本高（如 GPT-4、LLaMA 2 70B）
中小参数模型 参数量≤10B（十亿级） 轻量、部署成本低，适合边缘设备（如 Phi-2、Qwen-7B）

开发选型参考逻辑

  1. 先定交互形态：做对话选 Chat Model，做文本生成可选基础 LLM，做图文交互选多模态；
  2. 再定部署方式：数据敏感选开源本地模型，追求效率选闭源 API 模型；
  3. 最后定能力定位：通用场景选通用大模型，垂直领域选领域大模型，做语义检索选嵌入模型。

总结

  1. 大模型分类可从 交互形态、部署方式、能力定位、参数规模 四个核心维度理解，其中 交互形态和部署方式 是开发选型时最关键的两个维度；
  2. 日常开发中，“Chat Model（聊天模型）+ 闭源 API/开源本地部署”是最主流的组合；
  3. 嵌入模型、多模态模型属于“专项能力模型”，常和 Chat Model 配合使用（如 RAG 中 Embedding + Chat Model）。

原文出处：/show_1GW2poHiJDiU.html

吉ICP备15003043号