“ 大模型由于其快速迭代的原因，因此大模型分類存在很多困難；而作為大模型應用的使用者和開發者我們需要做的就是不斷去嘗試和體驗模型的功能。”

大模型技術發展到今天，其功能可以說是日新月異；并且很多企業已經在探索大模型的應用場景和技術實現；但是很多人到現在對大模型的了解僅僅只限于能聊個天，問個問題。

但實際上，大模型能夠做的事要遠比我們想象中的要多的多；因此，今天我們就從用戶和技術兩個角度來介紹一下大模型的應用。

關于大模型的分類和應用問題

如果想弄清楚大模型是怎么使用的，首先要知道大模型的分類；不同類型的模型適合不同的應用場景，其功能和實現也各不相同。

而關于大模型的分類問題其實是一個復雜的問題，大模型的分類有多個維度，比如從任務類型有分類模型，翻譯模型，摘要模型和文本生成等。

但從與具體的技術場景結合來看，又有NLP任務，CV任務等；而從功能來看又有生成式模型和推理模型；從垂直角度看，有處理圖片的模型，有寫代碼的模型；如果從純粹的技術角度來看，又有Transformer模型，Gan網絡等。

而在實際的模型設計和開發過程中，很多模型采用的又是混合架構；比如說一個模型既有生成能力，又有推理能力，而能夠生成多種模態數據的模型被稱為多模態。

再加上大模型技術日新月異的迭代速度，因此很多人很難分清哪個模型是干啥的，有哪些功能；因此在選擇模型時，最好就是根據自己的任務需求去搜索相關的模型，最后再根據模型的官方介紹，然后再應用到具體的業務場景中。

大模型分類困難的四大根源

1.技術融合

    現代大模型（如GPT-4、Claude 3）已發展為「通用計算平臺」，同時具備：

    a.生成能力（文本/圖像/代碼）

    b.推理能力（數學/邏輯）

    c.判別能力（分類/檢測）

    d.多模態理解（文本+圖像+音頻）

2. 命名混亂

    a.商業命名（如"文心一言"）不反映技術架構

    b.同一架構不同規模（LLaMA-2-7B/13B/70B）能力差異巨大

3. 動態進化

    a.插件系統的引入（如ChatGPT的Browsing/Code Interpreter）使單模型能力邊界模糊

4. 評估標準缺失

    a.缺乏統一的「能力維度評估體系」，不同廠商宣傳指標不可比

理解大模型分類的本質是：放棄絕對分類，建立多維評估體系。建議從實際任務出發進行驗證，而非過度依賴理論分類。

前面簡單了解了一下大模型的分類問題，但僅僅知道大模型有哪些類型并沒什么用，最重要的是用大模型解決我們的問題；以此來提高我們的工作和生活效率。

所以，學習大模型沒有最好的辦法，或者說辦法只有一個；那就是多用，多嘗試，多研究。

大模型應用

大模型其實從應用的角度來說，主要有三個方面：

第一就是利用大模型本身的能力，比如AIGC去做一些文本，視頻，圖片的生成能力；比如做自媒體，寫文章，修圖，剪輯視頻等。

其次，就是RAG給大模型做知識增強，因為大模型本身限制的原因；導致其在某些方面知識缺陷，因此就可以使用外部知識庫的方式讓大模型做知識增強。

最后，可以說是最有發展前景的方向就是——智能體；智能體就是給大模型裝上手和腳，通過思維鏈，工作流，function call/MCP等技術；使得大模型具備獨立思考和使用外部工具的能力。

當然，這三種方式大都是從技術角度來說的；但從用戶角度來說，我們可以使用一些生成模型做一些簡單的工作，如處理圖片，寫文檔等。

而一些企業基于工作流平臺開發智能體，比如coze平臺；我們就可以根據自己的需要構建一個能夠執行特定任務的智能體；以此來提高我們的工作效率。

總之，人工智能技術處于一個快速發展快速迭代的過程；很多新技術和名詞每天都在涌現；因此，我們需要做的就是不斷跟進市場的腳步，多去嘗試和試驗；最終我們就會知道大模型能做什么，以及我們需要大模型給我們做什么。

本文轉載自公眾號AI探索時代 作者：DFires

原文鏈接：??https://mp.weixin.qq.com/s/Ae9JNknOqEgfrsvKMxE3kg??