学会区分大模型——大模型的分类，让你更清晰的认识大模型

“乱花渐欲迷人眼，学会从根本上认识问题”

眼下大模型市场那叫一个百花齐放，可对很多人来说，这一堆大模型带来的不是什么简单方便，反倒是眼花缭乱和迷茫。为啥？因为根本不知道不同模型之间到底有什么区别，更不知道自己究竟需要哪一种。就拿Hugging Face来说，上面的模型动辄几十万个，真正能搞明白它们各自用途的人，又有几个呢？

所以，破局的第一步就是学会给大模型分门别类。一旦理清了分类逻辑，哪些模型负责什么、自己该选哪类，自然就清楚了。

大模型的分类

其实，“大模型”这个说法本身并不算特别精确。它指的是参数量庞大的机器学习或深度学习模型。根据参数量大小，可以分为大、中、小三种类型，不同量级对应的资源消耗和应用场景也天差地别——比方说，有些小模型是可以直接塞进移动设备里的。

按任务类型分类

按照任务来分，大模型可以分成生成式模型、判别式模型和混合模型。

：看名字就知道，这类模型主要用来“生”东西——文本、图像、音视频都不在话下。典型的例子就是GPT系列。

：它更擅长“判”和“断”，比如图像分类、文本分类这类任务。BERT就是典型的判别式模型。

：把前两者的能力合二为一，既能生成内容，又能做分类判别。当然，这只是一个粗线条的分类，真要细分下去，还能分出情感分析等具体方向。

按数据模态分类

数据模态维度下，主流分为两类：单模态模型和多模态模型。

：只处理一种数据类型的模型。比如只处理图像的ResNet，或者只处理文本的BERT。

：能同时处理多种类型的数据，比如文本、图像、音视频等。CLIP就是典型代表——它把文本和图像理解糅在了一起。

按训练方法分类

从训练方式来看，可以分为预训练模型、从零训练模型和迁移学习模型。

：先在大规模数据集上预训练，再通过微调适配特定任务。GPT、BERT都是这条路线。

：从头开始训练，通常针对特定任务，对数据集的要求也更高。

：把一个任务上学到的知识迁移到另一个相关任务中，既能减少训练时间，又能提升性能。

按应用领域分类

按应用场景划分，主要包括自然语言处理模型、计算机视觉模型和语音处理模型。

：专注处理人类语言——文本生成、翻译、情感分析等。

：处理图像和视频——分类、检测、生成，都在这个圈子里。

：处理语音信号——识别、合成、情感分析等。

按模型架构分类

架构层面，主流有Transformer架构、卷积神经网络（CNN）、循环神经网络（RNN）及长短期记忆网络（LSTM）。

：这个就不用多说了吧？大名鼎鼎的GPT就是基于它，自然语言处理和多数多模态任务都离不开它的身影。

：计算机视觉任务的主力。

：传统上用来处理时序数据或语音任务。

当然，大模型的分类远不止这些，上面只是目前比较主流的几种方式。比如还有专门做代码生成的模型、做数据分析的模型等等。搞清楚分类，能帮你更深刻地理解模型——比如有人提起GPT，你马上就能反应过来：它是一个基于Transformer的、能做自然语言处理与生成的预训练模型。这一下，认知瞬间就清晰了。