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。

专题词条基础释义核对 2026-09-07专题核对 2026-10-035 条来源
本页目录 11 节

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。

依据On the Opportunities and Risks of Foundation Models
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。

依据On the Opportunities and Risks of Foundation ModelsNIST AI Risk Management Framework 1.0

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。

依据Training Compute-Optimal Large Language ModelsOn the Opportunities and Risks of Foundation Models
工程判断

业务选型不能只问‘是否基础模型’,应问任务成功率、失败代价、数据位置和完整成本。必要时简单模型或规则比通用模型更合适。

依据NIST AI RMF Playbook

来源与核对记录

S1
On the Opportunities and Risks of Foundation ModelsStanford CRFM · 研究报告 · 查阅 2026-09-07
S2
Generative AI Profile, NIST AI 600-1NIST · 标准与框架 · 查阅 2026-09-07
S3
NIST AI Risk Management Framework 1.0NIST · 标准与框架 · 查阅 2026-09-07
S4
Training Compute-Optimal Large Language ModelsHoffmann et al. · 原始论文 · 查阅 2026-10-22
S5
NIST 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。