🧠 图解记忆：先看任务边界，再权衡质量、延迟、成本与风险；点击图片可查看原图。
30 秒回答
LLM 通常是以 Transformer 为基础、在大规模语料上进行自监督预训练的语言模型。它仍然属于机器学习，不是与“传统机器学习”完全对立的新类别。实际差异主要体现在训练规模、预训练目标、迁移方式和部署成本，而不是简单的“生成式 vs 判别式”。
对比维度
| 维度 | 任务专用模型 | 通用 LLM |
|---|---|---|
| 训练目标 | 可使用监督分类、回归、排序或生成目标 | 常以 next-token prediction 预训练，再做指令或偏好对齐 |
| 迁移方式 | 通常需要针对任务训练或重新设计特征 | 可通过 Prompt、少样本示例、RAG 或微调适配多类任务 |
| 输入输出 | 可以是结构化、图像、文本等任意模态 | 核心模型处理 Token；多模态模型还会接入视觉或音频编码 |
| 优势 | 延迟低、成本低、行为边界清楚，特定任务可能更准 | 通用性强，能处理开放式语言任务和未见过的指令 |
| 局限 | 跨任务复用能力有限 | 成本高、输出有随机性，可能幻觉，难以提供确定性保证 |
“大”没有统一参数阈值，通常同时指参数、训练数据和计算规模较大。参数更多也不等于一定更好；数据质量、训练方法、架构和推理预算都会影响能力。
工程取舍
- 标签明确、追求极低延迟的分类任务，先考虑规则或小模型；
- 开放式生成、复杂语义理解和跨任务交互更适合 LLM；
- 生产系统常用“小模型/规则负责路由与校验，LLM 负责开放式生成”的组合，而不是二选一。
常见追问
- 为什么一个 LLM 能通过同一个预训练目标适配多种任务？
- 什么时候小模型会比 LLM 更合适？
- RAG、微调和传统分类器分别解决什么问题？