AI 顶流大模型：从原理到上手

你想搞清什么问题

ChatGPT、DeepSeek、通义千问等产品背后，大模型（LLM） 到底在算什么、怎么训出来的、和「聊天机器人」差在哪——若只有碎片化新闻，很难把下一个 token 预测、涌现能力和实际用法连起来。本技能把 SKILL 正文整理成一条可读路径：从定义与规模表，到能直接对照产品的训练阶段与能力清单。

技能如何组织内容

• 原理层：用 Transformer 与 自注意力（Self-Attention） 解释长距离指代与上下文；说明预训练、SFT、RLHF 各自产出什么（基座 vs 助手 vs 更符合偏好的回答）。
• 地图层：国际与国内主流模型对照表，便于选型时看长上下文、多模态、开源与成本等维度。
• 用法层：Prompt Engineering（角色、分步、少样本、CoT）与 RAG（检索 → 拼进 Prompt → 生成）的流程与动机——缓解幻觉、接入私有/实时数据。
• 落地层：文本/代码/问答/多模态等典型场景，以及免费体验与动手实践建议。

适用边界与注意点

正文是科普与入门导航，不是某一家 API 的集成手册；模型版本、参数量与产品能力会快速变化，表格宜作方向参考而非唯一事实来源。文中已点名的局限包括 幻觉、知识截止日期、推理成本、偏见与上下文长度上限——用模型做关键决策时仍需交叉验证，不能当作权威数据库。