模型 · 深度词条
Foundation Model(基础模型)
先在广泛数据上训练出通用能力,再通过提示、微调或工具适配很多下游任务的底座。
四层解释
通俗
先在广泛数据上训练出通用能力,再通过提示、微调或工具适配很多下游任务的底座。
专业
基础模型是在大规模广泛数据上训练、可被适配到多个下游任务的模型;其能力和缺陷会沿供应链传递。
机制
预训练形成通用表示和生成能力,后续通过 SFT、偏好优化、检索或任务头适配具体用途。
工程
采购基础模型时必须同时评估许可证、数据政策、版本变化、成本、延迟、能力与系统级风险。
全链路位置
INPUT大规模通用数据与训练目标
→PROCESS预训练后多种方式适配
→OUTPUT服务多个任务的模型底座
常见用途
- 通用语言助手
- 视觉语言理解
- 行业模型适配
专业边界
- 通用不等于所有任务都可靠
- 底座模型不能替代产品工程
常见误解
- 基础模型就是大语言模型
- 参数更多必然更适合企业
基础模型是什么
定义与机制
基础模型通常在广泛数据上训练,再通过提示、微调或工具适配不同任务。它不是某种单一网络结构,也不保证未经适配就适合每个领域。
系统边界
同一个模型可以支撑聊天、抽取或搜索辅助,但部署还需要业务数据、权限、评测与界面。把基础模型、产品和最终业务效果分开看,才能定位问题。
规模和通用性有哪些边界
研究边界
更大训练规模往往带来某些能力增长,但训练数据分布、目标函数、后训练与评测方式都会影响结果。Chinchilla 的计算最优分析也显示,参数量不是唯一变量。
来源与核对记录
S1On the Opportunities and Risks of Foundation ModelsStanford CRFM · 研究报告 · 查阅 2026-09-07
↗S2Generative AI Profile, NIST AI 600-1NIST · 标准与框架 · 查阅 2026-09-07
↗S3NIST AI Risk Management Framework 1.0NIST · 标准与框架 · 查阅 2026-09-07
↗S4Training Compute-Optimal Large Language ModelsHoffmann et al. · 原始论文 · 查阅 2026-10-22
↗S5NIST AI RMF PlaybookNIST · 官方治理框架 · 查阅 2026-10-03
↗基础释义核对:2026-09-07。专题核对:2026-10-03。局部修订不代表旧正文全部复核,尚未完成外部专家审稿。