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：

• 生成能力（文本/圖像/代碼）
• 推理能力（數學/邏輯）
• 判別能力（分類/檢測）
• 多模態理解（文本+圖像+音頻）

(2) 命名混亂

• 商業命名（如"文心一言"）不反映技術架構
• 同一架構不同規模（LLaMA-2-7B/13B/70B）能力差異巨大

(3) 動態進化

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

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。