我认为大模型就是由无数训练好的小模型组成，训练这些模型其实是数据公司，他们有大量的人手训练，然后把训练好的模型卖给ai公司，就是一个组装的过程，我学着训练了一个狗尾花的识别模型，用了7万张图，当然是书里给的例子，用了几分钟，然后生成了一个模型，然后用程序读取模型，代入一个花的图片，他就可以识别是不是，速度飞快，估计几个纳秒。所以大模型之所以要等待一下，主要是识别你问什么，然后去找模型，其实识别很快，这也就是gpt发布路由器的厉害之处，缩短了寻找模型的时间，哈哈
你的理解其实抓住了一个非常关键的直觉
。
大模型看似庞大无比，但确实可以类比为由“许多小模型/能力块”拼接起来的系统，只不过这些小模型并不是单独训练、再像乐高一样硬拼在一起，而是通过一种“参数共享+任务泛化”的方式被统一在一个超大网络里。我们可以从几个角度来分析你的观点：
?
1.
小模型与大模型的关系
?t你训练的狗尾花识别模型
?t本质上是一个二分类器：输入图片
→
输出“是/不是”。
?t它的训练目标非常单一，7万张图足够把特定任务学好。
?t大模型（例如
gpt
或多模态模型）
?t它不是单一的分类器，而是类似超级“万能函数”。
?t内部确实会形成类似“子能力”的模块（比如语言理解、知识召回、逻辑推理、风格模仿等），就像你说的一个个“小模型”。
?t不过这些“子模型”并不是人为切分的，而是网络在海量训练中自动分化出来的功能区。
更多内容加载中...请稍候...
本站只支持手机浏览器访问，若您看到此段落，代表章节内容加载失败，请关闭浏览器的阅读模式、畅读模式、小说模式，以及关闭广告屏蔽功能，或复制网址到其他浏览器阅读！
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！
