“ 大模型并不是无所不能的，大模型也有自己的能力圈 ”
在之前的文章中谈到过大模型的能力问题，你对大模型认知的开始——大模型的能力问题，而根据这几天调用第三方接口的感受来谈谈大模型的质量问题。
首先要明白一个概念，能力与质量不是一回事，能力是能去做一件事，质量是能把一件事给做好。
大模型的能力与质量
有很多人到现在也不是很明白大模型到底是什么，以及能够做些什么；原因就在于很多人太过于注重大模型本身，也就是离大模型太近了，只看到了大模型的细节，却没看到大模型的轮廓，因此要学会离大模型远一点，这样才能对大模型形成一个完整的认识，不然就类似于盲人摸象，每个人眼中的大象都不一样。
如果我们抛开大模型的实现细节，用一个完全外行人的眼光去看待大模型，抛开技术人员的思维模式，那么什么是大模型？应该怎么认识它？
从表面来看，我们给大模型一段输入，大模型能够给出一段输出；输出类型包括文字，图片，视频，音乐等等多种格式的数据，这也是多模态的由来。
然后，对一些使用了思维链(CoT)等推理规划技术的模型来说，它们还能根据用户的需要做出近似合理的逻辑推理和行程规划。
当然，大模型也有其不足，最典型的就是知识截止到模型训练的那天为止；但从外行人的眼光来看，就是模型无法回答最近的问题，以及问到一些专业的领域的知识，模型可能会一本正经的胡说八道；换句话说，就是大模型不可信。
ok ，对一个完全外行的人来说，在不给他介绍哪怕一点和大模型相关知识的前提下，他会对大模型产生一个怎样的认识？
不知道大家有没有发现，这种方式就是我们常说的图灵测试，在完全不知情的情况下，大模型是否能够通过图灵测试。
ok ，对一个完全不懂技术的人来说，大模型就是一个能力强大(能说能画，上知天文下知地理)，但偶尔又突然抽风的一个不知名的东西。
所以当抛弃技术，抛弃原理，抛弃为什么，这时人们对大模型的认识就是大模型的表现，也就是大模型的能力问题。
对行外人来说，只需要了解大模型的能力即可；但对内行人来说，就需要了解大模型的能力是怎么实现的；而这些就属于技术范畴了。
所以，作为技术人员来说，很多时候喜欢从技术的角度去看待问题，这就容易钻牛角尖；而如果从大模型的能力去认识大模型，那么我们就能对大模型产生一个大致的轮廓。
而不管技术多么的牛逼，但我们都要考虑大模型的能力圈，不要让大模型去做它根本办不到的事情；而这也是很多人钻牛角尖的地方。
前面说了大模型的能力问题，下面就是说大模型的质量问题；比如说在绝大部分人眼里，openAI发布的模型肯定会比其它公司的模型要好，而且从实际情况来看，国外的很多模型确实要比国内的表现要好；而这个好，指的就是质量。
比如，国内也有很多做知识问答，AIGC的模型，国外这种模型就更多了；国内的模型能做到这些，国外的模型也可以做到这些；这就代表着它们有相同的能力。
但从效果上来看，国内的模型生成内容的质量普遍较差，导致这种现象的原因有很多，但归根结底来说还是国内的技术不达标。
所以说，同样是做大模型服务商，有些公司的模型人追着用；而有些公司的模型扔了都没人用。
原因是什么？
原因就在于虽然它们具有相同的能力圈，但它们有些能力强，有些能力弱；而这就直接导致，不同大模型产品的生成质量参差不齐，也就是大模型产品有好有坏。
而对一家做大模型上层应用的企业来说，如果底层模型选得不好，那么结果也就不言而喻了。
作为应用开发者的我们来说，首先我们要认识到大模型的能力圈，也就是不要去做一个摸象的盲人，然后在此基础之上再去找一个质量更好的模型；而如果能力足够的话，也可以去尝试学习和研究大模型的底层实现，也就是说大模型的能力是怎么来的。
为什么同样都是模型，有的模型能力比较强，而有的模型能力就比较差？
这才是我们需要学习和研究的方向，而不是上来就直接摸着大象的一个部位，就认为大模型就是这个样子。
而对一些专家，学者来说，他们的任务就是不断得扩展大模型的能力圈，并且不断提升大模型的能力。
