大模型是什么：从"文字接龙"说起

这是什么：LLM（Large Language Model，大语言模型） = 一台超大规模的"预测下一个词"机器。

为什么用：从 Python 基础毕业，就可以见见 AI 世界真正的主角了。ChatGPT、DeepSeek、通义千问……背后都是它。搞懂它，你才知道 AI 到底在干嘛。

如何用：本章先造一个玩具版"文字接龙"感受原理，再看看真实大模型用几十亿个参数算概率是什么阵仗。

一切从接龙开始

玩过词语接龙吧？看到"床前明月"，你脱口而出"光"——这句诗你读过太多遍，下一个字几乎是条件反射。

LLM 干的就是这件事，只是它"读过"互联网上海量的文本，接龙的单位是词，而且不是靠死记硬背，是靠算概率。先用 Python 搭个玩具版感受一下：

# 玩具版文字接龙：记录每个开头后面，哪个字出现得最多
chain = {
    "床前明": {"月": 30, "日": 1},
    "举头望": {"明": 28, "星": 2},
    "疑是地": {"上": 40, "下": 1},
    "低头思": {"故": 35, "乡": 5},
}

def predict(text):
    candidates = chain[text]                     # 取出候选字
    return max(candidates, key=candidates.get)   # 挑次数最多的

print("床前明 →", predict("床前明"))
print("疑是地 →", predict("疑是地"))
print("低头思 →", predict("低头思"))

你会看到：

床前明 → 月
疑是地 → 上
低头思 → 故

真实的大模型把"数出现次数"升级成"用几十亿到上万亿个参数算概率"，而且接完一个词，把它接到句尾继续接——你看到的长文，就是这样一词一词"流"出来的。

三个必懂概念

概念	一句话解释	类比
参数	模型内部可调节的数值，"知识"就存在这里	大脑里的神经连接
训练	用海量文本反复调整参数的过程	学生刷题，越刷越准
推理	拿训练好的模型回答问题	上考场答题

训练一次要上万张显卡跑几个月，所以大模型公司负责"培养"，我们负责"使用"——这就是后面要学的 API 调用。

参数规模有多大？

参数量通常按"亿""千亿"计：

模型类型	参数量级	示例
小型模型	1–10 亿	适合手机本地运行
中型模型	70–130 亿	Llama-3-8B、Qwen-7B
大型模型	1750 亿以上	GPT-3、早期大模型
巨型模型	千亿–万亿	GPT-4 系列、DeepSeek-V3 等

参数越多，模型通常越聪明，但运行成本也越高。

能干什么，不能干什么

擅长：写文章、改邮件、写代码、翻译、总结文档、做角色扮演——一切和文字沾边的事。

不擅长：它会一本正经地胡编，术语叫幻觉（Hallucination）。因为它的任务从来不是"回忆事实"，而是"接出最像答案的下一句"。所以请记住：重要事实，自己核实。

任务	LLM 表现	建议
写一段产品介绍	⭐⭐⭐⭐⭐	直接用，稍作润色
写一段 Python 脚本	⭐⭐⭐⭐⭐	直接用，跑一下验证
翻译一封英文邮件	⭐⭐⭐⭐⭐	直接用
告诉你昨天的天气	⭐⭐	可能编造，查天气网站
计算 12345 × 67890	⭐⭐	接龙模型不擅长精确计算，用计算器

动手改

给 chain 加一条"静夜思"相关的开头，让接龙能把整首诗接下去
把 max(...) 换成 random.choice(list(candidates)) 随机选，体会"为什么同一个问题两次答案可能不同"
列三个你身边的任务，判断哪些适合交给 LLM，哪些容易踩幻觉的坑
试着用 chain 接"举头望"后再接下一个，看看能不能串成两句诗

记忆口诀：大模型，接龙忙；参数存知识，训练刷文章；推理来应答，事实自己查。

📝 本章小结

LLM 本质是"预测下一个词"的超大规模接龙机器
参数存知识，训练是刷题，推理是答题
参数越多通常越聪明，但成本也越高
擅长文字创作与翻译，不擅长精确计算和事实记忆（会产生幻觉）
重要事实，务必人工核实

下一章：提示词工程，学几招把话说到模型心里 🐸