大模型应用：LLM基本原理及应用场景_llm开源和闭源模型以及使用场景

1.背景

23年以来，随着OpenAI公司的ChatGPT横空出世，大模型一词开始火爆全球。国内外以OpenAI、Google、百度、阿里、字节等大厂为代表，相继推出一系列大模型及其应用，涉及社交、问答、代码助手等多个方面。
目前主流的大模型及产品：

• OpenAI：GPT3.5、GTP4系列，以及Lora等文生图模型，代表产品：ChatGPT
• Google：Gemini
• 百度：文心一言3.0、4.0系列，代表产品：文心一言、文心一格
• 阿里：通义大模型，代表产品：通义千问
• 百川：百川大模型
• 腾讯：混元大模型
• 字节：豆包大模型

大模型究竟是什么，和基础的垂类模型/多模态模型有何差异？为什么可以基于大模型来构建一系列垂类应用，以及可以使用大模型构建什么应用？

2.LLM基本原理

大模型又被称为大语言模型（Large Language Model）或大规模预训练语言模型（Large Pretrained Language Model）。
对于小模型（垂类模型）：每个小模型对打标数据集识别进行训练，比如专注识别猫狗图片的图片模型、并在对应的数据集上评估，给出模型产物。小模型的特点是“专注”，每一个小模型训练出来就是为了识别某类特定目标。
对于大模型来说，其需要具备大量的语料参数以及很好的理解能力，其训练分为两个阶段：

1. 一阶段预训练：在大量的文本语料数据集（待标数据）中进行训练，提取特征。经过预训练后的大模型具有大量参数和强大的语料理解能力，它能识别输入的文本，并且预测出下一个最大概率的文本，一阶段训练后产出的大模型为基础LLM。
2. 二阶段指令微调：由于一阶段产出的基础LLM只能做到从输入的文本预测下一个最有可能的文本，比如输入“中国的首都”，那么预测输出为“中国”，但如果我们想让大模型“思考”，如输入“你知道中国的首都是北京吗？”，那么大模型的预测输出可能不符合预期。所以对于使用场景，需要对一阶段基础LLM进行微调，通过指令微调给定输入，并且明确告诉LLM需要基于该输入，得到什么样的结果，让LLM学习这个过程，已得到二阶段的指令微调LLM。比如ChatGPT使用大模型的就是由GPT基础LLM经过微调后得到的。
   

对于算法架构，LLM主要是采用了Transformer架构来增强大模型对语料的上下文理解能力，可以做到长序列理解及推理。

3.LLM应用场景

基础LLM具有千亿级别参数及语料，具有很好的文本理解能力，通过二阶段指令微调可以让基础LLM在特定场景下做到更准确的输出判断，目前LLM应用场景十分广泛，包括：

1. 社交领域
   1. 智能对话
   2. 虚拟人
2. 编程领域
   1. 代码理解
   2. 潜在BUG扫描
   3. 代码生成
3. 风控领域
   1. 智能审核
   2. 风险判别
4. 工业/医学领域
   1. 系统检修判断
   2. 医学辅助诊断
5. 生成式创造
   1. 文生图
   2. 文生视频
   3. 图片/视频扩展