

最近大模型风口持续火爆，不管是求职、副业、技术深耕，绕不开的第一件事，就是**系统搞懂到底什么是大模型**。像我刚入门只会跟风听GPT、通义千问、DeepSeek，但对大模型的核心定义、为什么突然爆发、怎么衡量规模、有哪些分类完全一头雾水。

今天就用接地气的大白话，带大家完整梳理大模型入门知识点，帮你建立最基础的全局认知，后续学微调、RAG、智能体都能事半功倍。

## 一、到底什么是大模型？

行业内其实**没有统一官方定义**，我们不用纠结学术拗口表述，记住核心特质就行：
**大模型就是训练数据海量、参数规模巨大、综合能力极强的深度神经网络模型**。

这里有一个硬核划分标准，记死就够了：

- **小模型**：参数量 **小于10亿**
- **大模型**：参数量 **10亿以上**

目前主流模型量级大家可以有个直观概念：

- BERT 约3亿参数
- GPT-3 达到1750亿参数
- DeepSeek-V3 更是冲到6710亿级别
- 顶尖模型早已迈入**万亿参数**时代

像我们常玩的通义千问Qwen3系列，覆盖了0.6B、1.7B、4B、8B、14B一直到235B全梯度版本，本地部署、线上调用、私有化场景全都能覆盖，不同尺寸对应不同硬件和业务需求。

## 二、大模型为什么会横空出世？不是偶然，是三方合力

很多人好奇：为什么最近几年大模型突然爆发？其实完全不是凭空出现，是**数据、算力、模型架构**三者长期演进，刚好走到爆发节点的结果。

### 1. 数据够多：从人工标注到自监督学习

传统机器学习最大的痛点：**高度依赖人工标注数据**。
不管是图像分类、命名实体识别、情感分析还是语音转写，都要花钱花人力手动打标签，成本高、数据规模根本做不大，上限一眼望到头。

而大模型彻底换了训练范式——**自监督学习**。
简单说就是：不用人工打标签，模型自己从海量原始数据里挖掘内在规律、自动生成伪标签训练，最典型的就是「预测下一个token」。

这下直接打破了数据瓶颈：

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-10298071/9108711b2f51a9d423b14d724db97c6e.png)


就拿Qwen3来说，预训练直接用了**36万亿token**语料，这是传统机器学习完全不敢想象的体量。

### 2. 算力够强：硬件迭代+分布式训练成熟

深度学习本质就是**大规模矩阵运算**，天生适配GPU、TPU这类并行计算芯片。

一方面，英伟达GPU架构年年迭代，从Kepler、Maxwell一路到最新Blackwell，旗舰B200半精度峰值算力达到**5PFLOPS**（每秒5千万亿次浮点运算），单卡算力直接拉满。

另一方面，**分布式训练技术彻底成熟**，三种并行方式撑起超大规模模型训练：

- **数据并行**：每块显卡存完整模型副本，各自处理不同数据子集，最后聚合梯度同步更新参数
- **张量并行**：把模型权重矩阵按维度切分到多卡，各设备只计算部分张量，再通过通信合并结果
- **流水线并行**：将模型按层拆分成多个阶段，分配到不同设备，数据以流水线方式依次传递计算

有了高端硬件+分布式训练体系，千亿、万亿参数大模型的训练才从理论落地为现实。

### 3. 架构合理：Transformer 成为底层基石

大模型能做大还能保持性能不掉线，**最大功臣就是Transformer架构**。

它核心两大优势：

1. 原生支持并行计算，训练效率吊打传统RNN、LSTM序列模型
2. 具备极佳**可扩展性**：模型参数、训练数据、训练步数越大，模型效果稳定收益越高，损失函数持续优化下降

毫不夸张地说，没有Transformer架构，就没有如今百花齐放的大模型时代。

### 简单小结

数据提供训练原料、算力提供硬件动力、Transformer提供架构底座，三者协同演进、完美契合，共同催生了全民大模型时代。

## 三、大模型三大计量单位，入门必懂避坑

聊大模型永远绕不开各类专业单位，新手很容易被B、T、PFLOPS绕晕，我整理成极简易懂版本，看完直接上手无压力。

### 1. 参数规模：B为单位

B 是 Billion 缩写，代表 **10亿参数**

- 7B模型 = 70亿参数
- 14B模型 = 140亿参数

### 2. 训练数据集规模：Token 为核心

大模型训练前会把文本切分为最小语义单元 Token，也是衡量语料规模的标准：
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-10298071/4d389534f617b02dcb0545745f2aa40b.png)


实用小常识：

- 1个英文字符 ≈ 0.3 个 Token
- 1个中文字符 ≈ 0.6 个 Token

简单理解：**Token 就是大模型听懂人类语言的基础最小单位**。

### 3. 计算规模：FLOPS 浮点运算

用来衡量大模型训练消耗的计算量：

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-10298071/ae4a647a4d5d322b8c6e83323f642e77.png)


后续看论文、模型参数海报，看到这些单位就能一眼看懂模型体量和训练成本。

## 四、大模型完整分类体系

日常我们随口说的「大模型」，默认特指**大语言模型**。行业里有两套标准分类维度：按**模态**划分、按**功能**划分。

### 1. 按模态分类

模态指人和机器感知世界的方式：文本、图像、音频、视频都属于不同模态。

| 类别           | 核心特点                     | 输入输出                       | 典型代表                          |
| -------------- | ---------------------------- | ------------------------------ | --------------------------------- |
| 大语言模型 LLM | 仅处理文本，大模型生态核心   | 文本输入 → 文本输出            | Qwen3、DeepSeek-V3、GPT-5语言模块 |
| 多模态理解模型 | 融合图文音视频，统一语义空间 | 多模态输入 → 文本理解输出      | Qwen3-VL、GPT-5、Gemini-3         |
| 多模态生成模型 | 不仅能理解，还能跨模态创作   | 文本/图像输入 → 图/音/视频输出 | Stable Diffusion、DALL·E、Sora    |

### 2. 按功能与输出形态分类

做工程落地、RAG、Agent 开发，这套分类更具实战价值。

#### 生成式大模型

自回归逐Token生成内容，从无到有创作文本、图像、音视频。

- 核心任务：内容生成
- 适用场景：对话、写作、推理、代码生成、RAG最终回答
- 特点：参数规模大、计算成本极高

#### 嵌入模型

不生成文本，将文本/图像转为高维向量，语义相近内容向量空间距离更近。

- 核心任务：语义编码表征
- 适用场景：知识库检索、语义搜索、推荐系统
- 代表模型：BGE、E5、GTE

#### 重排序模型

对粗检索结果做精细化语义打分，把高相关内容置顶。

- 核心任务：相关性排序
- 适用场景：RAG精排、搜索引擎排序优化

#### 分类模型

输出离散类别标签或概率分布，多用于判别类任务。

- 核心任务：类别预测
- 适用场景：情感分析、垃圾邮件识别、意图分类
- 特点：多为微调小模型，成本低、落地快

### 3.类模型协同工作流程

真实企业项目中都是组合使用：

> 嵌入模型将知识库文档向量化入库 → 用户查询向量化检索候选文档 → 重排序模型精排筛选 → 分类模型做意图/风险过滤 → 生成式大模型产出最终答案

这也是目前工业级 RAG 系统的标准架构。

## 五、大模型开源 vs 闭源 深度对比

入门必须搞懂开源与闭源模型的区别、商业逻辑和行业现状。

### 大模型四要素

模型权重、推理代码、训练代码、训练数据集。

- 开源大模型：主要开源**权重+推理代码**，训练代码和核心数据集基本保密
- 闭源大模型：权重、代码、内部实现全保密，纯黑盒模式

### 开源 vs 闭源对比

| 维度     | 开源大模型                     | 闭源大模型                      |
| :------- | :----------------------------- | :------------------------------ |
| 透明度   | 代码算法透明，可审计可二次开发 | 内部机制黑盒，无法溯源          |
| 可访问性 | 免费开源，无使用门槛           | 需授权，多为API付费调用         |
| 定制能力 | 支持私有化部署、深度微调       | 仅可调整API参数，定制受限       |
| 迭代速度 | 社区协同开发，迭代快           | 依赖厂商团队，迭代节奏慢        |
| 成本结构 | 免费使用，需自备硬件运维       | 按Token计费，前期轻、长期成本高 |
| 技术支持 | 依赖社区交流，无官方专属支持   | 提供企业级专属运维与技术服务    |

### 商业逻辑与主流混合模式

1. **开源逻辑**：用免费模型做技术扩散，吸引开发者共建生态，靠云服务、行业解决方案、企业定制变现。
2. **闭源逻辑**：技术垄断构建护城河，通过API订阅、企业定制、专利授权直接盈利。
3. **行业主流**：**开源引流，闭源变现**
   Gemini+Gemma、Meta Llama、阿里通义千问、百度文心均采用这套模式：开源拉新做生态，闭源承接高端企业付费业务。

## 写在最后

本文是大模型入门的地基，复盘核心重点：

1. 大模型判定标准：**参数超10亿**，由数据、算力、Transformer 架构三方合力催生；
2. 掌握参数、Token、FLOPS 三大核心计量单位；
3. 分清模态分类、功能分类，理解四类模型协同落地逻辑；
4. 吃透开源与闭源的差异、商业逻辑与行业主流策略。

> 如果对本文内容稍微有点了解，后续学习大模型训练范式、RAG、提示词工程、智能体开发都会一路顺畅。我会持续更新大模型全系列干货，从零基础到工程落地全覆盖，欢迎持续关注！


最近大模型风口持续火爆，不管是求职、副业、技术深耕，绕不开的第一件事，就是系统搞懂到底什么是大模型。像我刚入门只会跟风听GPT、通义千问、DeepSeek，但对大模型的核心定义、为什么突然爆发、怎么衡量规模、有哪些分类完全一头雾水。

从零搞懂大模型：定义、起源、计量单位与完整分类｜入门必看干货

人工智能

大模型入门指南：深度解析大模型的核心定义、爆发原因及分类体系。了解参数规模、计算单位及技术架构，掌握开源与闭源模型的差异与商业逻辑。适合初学者建立全局认知，为后续RAG、微调等高级应用打下坚实基础。从GPT到通义千问，探索大模型的实战应用与行业趋势。

智能体开发

深度学习

机器学习

智能体

Agent

2026采购季 | AI焕新·智启新局

tione

4核4G3M云服务器 新用户低至38元/年！

lexiang

语音产品特惠新用户14.9元起


文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

从零搞懂大模型：定义、起源、计量单位与完整分类｜入门必看干货-腾讯云开发者社区-腾讯云

从零搞懂大模型：定义、起源、计量单位与完整分类｜入门必看干货

从零搞懂大模型：定义、起源、计量单位与完整分类｜入门必看干货

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐