大模型 Large Language Model (LLM)
在亿万文本上训练出来的"文字接龙大师"，也是所有 AI 助手、AI Agent 的"大脑"。 Trained on oceans of text, an LLM is the "brain" behind every AI assistant and agent — and at heart it just predicts the next token.
一句话定义 One-line Definition
大语言模型（LLM）是一种在海量文本数据上训练的神经网络模型，它的核心任务只有一件事：预测下一个 Token（一个文本片段，约等于半个到一个词）。
A Large Language Model is a neural network trained on enormous text corpora. Its core task is deceptively simple: predict the next token (a chunk of text, roughly half a word to a word).
想象一位读遍了全人类书籍的读者：他看似在做"文字接龙"，但在接龙的过程中，他内化了语言、知识、逻辑与模式——于是当他接龙时，写出的往往不是随机的词，而是符合上下文的、有知识含量的回答。
Imagine someone who has read nearly every book ever written. The task looks like word-chaining, but along the way the model internalizes language, world knowledge, logic and patterns — so its "next word" is usually a context-appropriate, knowledge-rich continuation, not a random one.
它是怎么工作的 How It Works
整个过程可以分为三步：
The pipeline has three steps:
① Token 化 Tokenization
把文本切成小片段（token），每个 token 映射为一个高维向量。中文一个字常被切成 1–2 个 token。
Text is split into tokens; each token becomes a high-dimensional vector. A Chinese character is often 1–2 tokens.
② Transformer 理解 Transformer
自注意力机制让每个 token 与上下文中的其他 token 相互"对视"，模型由此理解句子的含义与结构。
Self-attention lets every token "look at" all others in the context, so the model grasps meaning and structure.
③ 自回归生成 Autoregressive Decoding
模型输出下一个 token 的概率分布并采样，把新 token 拼回输入，再预测下一个……循环往复，直到生成完整回答。
The model outputs a probability distribution over the next token, samples one, appends it, and repeats until the answer is complete.
亲手试一试：预测下一个 Token Try It: Predict the Next Token
Only the prompt is shown first; each click reveals the model's next token, conditioned on everything before it. (演示为固定脚本，真实模型每次采样略有随机)
关键点：模型每次只生成一个 token，但每一步都"看过"前面全部内容——这就是它能保持连贯的原因。它不是查数据库，而是根据学到的统计规律在"创作"。
Key idea: the model emits one token at a time, but each step conditions on everything before it — that is how coherence emerges. It is not querying a database; it is generating from learned statistical patterns.
为什么"大"这么重要 Why "Large" Matters
大模型的"大"体现在三处：参数规模（从十亿到万亿级）、训练数据（数万亿 token）、算力投入（成千上万块 GPU）。规模超过某个临界点后，模型会表现出涌现能力（emergent abilities）——翻译、写代码、多步推理等能力在小模型上几乎不存在，却在大模型上突然出现。
"Large" refers to parameter count (billions to trillions), training data (trillions of tokens), and compute (thousands of GPUs). Past a certain scale, emergent abilities appear — translation, coding, multi-step reasoning — that barely exist in small models.
能力与局限 Capabilities & Limits
✅ 它能做的 What it can do
- 总结、改写、问答、翻译 Summarize, rewrite, Q&A, translate
- 生成与调试代码 Write and debug code
- 逻辑推理与规划（推理模型更强） Reasoning & planning (stronger in reasoning models)
- 遵循复杂指令、角色扮演 Follow complex instructions
- 多语言、多模态（看图/听音） Multilingual, multimodal (image/audio)
⚠️ 它的局限 What it cannot do
- 幻觉：会一本正经地编造事实 Hallucination: confidently fabricates facts
- 知识有截止时间 Knowledge cutoff
- 上下文窗口有限，太长会"忘" Finite context window
- 数学/精确计算仍需小心 Exact arithmetic still error-prone
- 无法自己行动：不能读文件、跑代码、上网——除非有人（或 Harness）替它接上工具 Cannot act on its own: no file access, no code execution, no web — unless a harness wires tools to it
代表性模型 Representative Models
截至 2026 年末，主流模型大致如下（能力与排名持续变动，价格以官方为准）：
As of late 2026, the mainstream landscape looks roughly like this (leaderboards and pricing keep shifting):
OpenAI · GPT 系列 GPT series
ChatGPT 的缔造者。旗舰为 GPT-5.5 系列（2025 年 11 月发布，含 Instant 变体），多模态、推理强、已向免费用户开放；2026 年持续迭代。
Creator of ChatGPT. Flagship: GPT-5.5 series (Nov 2025, incl. Instant variant) — multimodal, strong reasoning, free tier included; iterating through 2026.
闭源 ClosedAnthropic · Claude
Opus 4.8（2026 年 5 月，支持算力调节、"动态工作流"、强化诚实性）；Sonnet 5（2026 年 6 月）成为订阅默认模型，主打更省成本的 Agent 能力。
Opus 4.8 (May 2026: compute scaling, dynamic workflows, honesty); Sonnet 5 (Jun 2026) is now the default subscription model, tuned for cost-efficient agentic use.
闭源 ClosedGoogle · Gemini
Gemini 3（2025 年 11 月）→ 3.5 系列（2026 I/O 大会）→ 3.7 Flash（2026 年 8 月）。超长上下文、深度整合 Google 生态与搜索。
Gemini 3 (Nov 2025) → 3.5 series (I/O 2026) → 3.7 Flash (Aug 2026). Million-scale context, deep Google-ecosystem integration.
闭源 ClosedDeepSeek · V4
V4 预览版（2026 年 4 月）开源上线：Flash/Pro 双版本、百万 token 上下文、Agent 能力大幅升级，并首次亮相 DeepSeek Harness。前作 V3/R1 为 2025 年的里程碑。本网站正运行在 DeepSeek 系列模型之上。
V4 preview (Apr 2026) is open-sourced: Flash/Pro variants, million-token context, big agent upgrades, and the debut of DeepSeek Harness. V3/R1 were the 2025 milestones. This site runs on a DeepSeek-family model.
开源 Open阿里 · Qwen（通义千问）
Qwen3.8 系列（2026 年 8 月）开源：旗舰 qwen3.8-2.4t-a95b（2.4T 总参数 / 95B 激活的 MoE）、27B 多模态，以及一系列小参数模型；全球下载超 30 亿次。
Qwen3.8 series (Aug 2026) open-sourced: flagship qwen3.8-2.4t-a95b (2.4T total / 95B active MoE), a 27B multimodal model, plus small-parameter variants; 3B+ downloads worldwide.
Kimi · 月之暗面
K3（2026 年 7 月）开源：约 2.8 万亿参数，是当前全球参数规模最大的开源模型，技术报告同步发布；前作 K2 为 2025 年开源标杆。
K3 (Jul 2026) open-sourced: ~2.8T parameters — currently the world's largest open-weight model, with a technical report; K2 was the 2025 milestone.
开源 Open