> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/ai_beginner_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/ai_beginner_guide/di-er-bu-fen-he-xin-ji-shu-jie-xi/06_llm/summary.md).

# 本章小结

本章深入解析了大语言模型的技术原理，从历史演进到核心机制，再到训练方法和主流模型。

## 核心要点回顾

**技术演进**

* 远古时代：Eliza（1966）靠 If/Else 套公式
* 统计时代：Siri（2011）靠统计学“查表”
* 大模型时代：GPT（2018-）靠大规模预训练实现质的飞跃

**工作原理**

* LLM 的核心任务是预测下一个 Token（Next Token Prediction）
* Token 是分词器切出来的子词片段，不等于一个字或一个词
* 温度参数控制输出随机性：低温严谨，高温创意

**训练范式**

* 预训练（“上大学”）：在海量数据上学习语言和知识，极其昂贵
* 微调 SFT（“岗前培训”）：用问答对教它遵循指令，成本较低
* RLHF（“实习”）：通过人类偏好排序对齐人类价值观
* 落地捷径：RAG（检索增强）、工具调用、工作流编排，通常比微调更快

**主流模型**

* 闭源三巨头：OpenAI（GPT）、Anthropic（Claude）、Google（Gemini）
* 开源生态：LLaMA、Qwen、Mistral、Gemma 等多条路线
* 国内竞争激烈：通义千问、文心、DeepSeek、Kimi 各有所长

**工程落地（推理机制）**

* **推理（Inference）**：让大模型在云端跑起来的过程，极度依赖显存带宽和分布式网络。
* **算力 vs 显存**：长文阅读阶段吃算力，逐字生成阶段吃显存和带宽。
* **KV Cache**：大模型的“记事本”，极度消耗显存限制并发数。

## 下章预告

下一章将介绍推理模型与推理计算，探讨模型如何通过显式思考、搜索、工具调用和更长计算预算解决复杂问题。

***

> 📝 **发现错误或有改进建议？** 欢迎提交 [Issue](https://github.com/yeasy/ai_beginner_guide/issues) 或 [PR](https://github.com/yeasy/ai_beginner_guide/pulls)。