AI时代，远不止大语言模型一种，也不要企图通过大模型解决所有问题，复合AI系统（伯克利：即使模型再强大，复合AI系统（ Compound AI Systems）都将会是一种领先的应用模式）已经成为共识，掌握各种模型的特点，对于构建高质量的AI应用十分关键，今天就带大家快速了解各类模型的特点。
LLM — 大型语言模型 (Large Language Model)
是什么：一种基于海量文本数据训练的概率模型，核心能力是预测序列中的下一个词（或标记），从而理解和生成类似人类的自然语言。 如何工作：主要依赖Transformer架构及其核心的“自注意力机制”，使其能够理解长距离上下文关系。 用途：聊天机器人、文本创作、代码生成、机器翻译。 关键点：通用性强但可能产生“幻觉”（编造信息），且计算成本高。 LCM — 潜在一致性模型 (Latent Consistency Model)
是什么：一种为提升图像生成（尤其是扩散模型）速度而设计的模型，追求在保持可接受质量的前提下实现高效出图。 如何工作：通过学习在“潜在空间”（一种压缩表示）中直接预测从噪声到清晰图像的“捷径”，大幅减少生成步骤。 用途：移动端实时AI滤镜、快速图像生成应用。 关键点：速度极快，资源消耗低，但图像细节可能略逊于完整扩散模型。 LAM — 语言行动模型 (Language Action Model)
是什么：赋予语言模型实际“行动”能力的模型，它不仅理解指令，还能规划步骤并调用外部工具（如API）来完成任务。 如何工作：结合LLM的理解能力、任务规划器和工具使用接口，将语言指令转化为具体操作。 用途：AI智能体（如自动化预订、软件操作）、复杂问题客服。 关键点：实用性强，连接语言与行动，潜力巨大，但确保行动的可靠性和安全性是挑战。 MoE — 专家混合模型 (Mixture of Experts)
是什么：一种模型架构，包含多个“专家”子网络和一个“路由器”。路由器根据输入动态选择一小部分相关专家进行处理，从而在拥有巨大参数潜力的同时控制计算成本。 如何工作：输入数据由路由器分配给最合适的少数几个专家，只有被选中的专家参与计算。 用途：构建参数量极大的高性能模型（如某些顶级LLM），并优化推理效率。 关键点：参数扩展性好，推理高效，实现了模型规模与计算成本的有效解耦，但训练和路由设计较为复杂。 VLM — 视觉语言模型 (Vision Language Model)
是什么：能够同时理解和处理视觉信息（图像/视频）与文本信息的模型，构建两者间的语义联系。 如何工作：通常采用双编码器结构（一个处理视觉，一个处理文本），并通过多模态融合机制（如跨模态注意力）将两者信息结合。 用途：图像描述生成、视觉问答、图文检索、多模态对话。 关键点：实现多模态理解；但模态对齐难度大，数据需求高。 SLM — 小型语言模型 (Small Language Model)
是什么：LLM的轻量化版本，参数量和计算需求远小于LLM，专为在手机、IoT等边缘设备上高效运行而设计。 如何工作：通过参数削减、架构优化、知识蒸馏（从大模型学习）或量化等技术实现。 用途：设备端智能助手、离线翻译、隐私敏感的本地文本处理。 关键点：低延迟、保护隐私、可离线，但复杂推理和知识广度不及LLM。 MLM — 掩码语言模型 (Masked Language Model)
是什么：一种通过“完形填空”任务进行预训练的模型（如BERT）。它随机遮盖输入文本中的一些词，并让模型根据上下文预测这些被遮盖的词，从而学习深层的双向语境理解。 如何工作：使用双向Transformer编码器，同时关注被遮盖词左右两侧的上下文。 用途：主要用于生成高质量的词/句子嵌入表示，服务于文本分类、命名实体识别等自然语言理解任务。 关键点：强大的上下文理解能力，但不直接适用于流畅的文本生成。 SAM — 分割一切模型 (Segment Anything Model)
是什么：一种通用的图像分割模型，能够根据用户提供的简单提示（如点、框）对图像中的任何物体进行精确的像素级分割，无需针对特定类别训练。 如何工作：结合强大的图像编码器、提示编码器和高效的掩码解码器，实现对任意目标的快速、精确分割。 用途：图像编辑（抠图）、医学影像分析、机器人视觉、数据标注。 关键点：零样本泛化能力极强，交互灵活；但本身不识别物体类别（只分割，不命名），需与其他模型配合。
