https://zh.lolipedia.org/api.php?action=feedcontributions&feedformat=atom&user=Yuqing
萝莉百科 - 最萌的百科全书 - 用户贡献 [zh]
2026-04-07T17:09:52Z
用户贡献
MediaWiki 1.44.0
https://zh.lolipedia.org/index.php?title=%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B&diff=17
大语言模型
2026-04-07T00:37:40Z
<p>Yuqing：</p>
<hr />
<div>'''大语言模型'''（Large Language Model，简称LLM）是一种基于深度学习的人工智能模型，专门用于处理、理解和生成人类语言。它通过在海量的文本数据上进行训练，学会了语言的统计规律和语义结构。目前的LLM已经能够实现流畅的多轮对话、代码编写以及复杂的逻辑推理。<br />
<br />
== 核心架构：Transformer ==<br />
现代LLM大多基于'''Transformer'''架构。该架构引入了注意力机制（Attention Mechanism），使模型能够捕捉长距离的语义依赖。<br />
<br />
== 训练过程 ==<br />
LLM的构建通常包含以下两个关键阶段：<br />
# '''预训练（Pre-training）'''：模型在大规模的互联网文本语料库上进行无监督学习。<br />
# '''指令微调（Instruction Tuning）'''：通过人类反馈强化学习等技术，教会模型如何准确理解并执行用户的指令。<br />
<br />
== 局限性：幻觉 ==<br />
尽管LLM表现卓越，但仍存在幻觉现象，即模型可能会生成看似合理但完全错误的事实。<br />
<br />
== 应用领域 ==<br />
LLM目前已广泛应用于多个前沿领域：<br />
* '''智能交互'''：作为虚拟助手提供情感陪伴与信息查询。<br />
* '''辅助开发'''：帮助工程师快速生成代码片段。<br />
* '''内容创作'''：协助进行多语言翻译、文章撰写。<br />
<br />
== 参考资料 ==<br />
# [https://arxiv.org/abs/1706.03762 Vaswani, A., et al. (2017). ''Attention Is All You Need''].<br />
# [https://openai.com/research/gpt-4 OpenAI. (2023). ''GPT-4 Technical Report''].<br />
# [https://stanford.io/3lgdH2N Bommasani, R., et al. (2021). ''On the Opportunities and Risks of Foundation Models''].</div>
Yuqing
https://zh.lolipedia.org/index.php?title=%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B&diff=16
大语言模型
2026-04-07T00:07:00Z
<p>Yuqing：</p>
<hr />
<div>'''大语言模型'''（Large Language Model，简称LLM）是一种基于深度学习的人工智能模型，专门用于处理、理解和生成人类语言。它通过在海量的文本数据上进行训练，学会了语言规律和语义结构。目前的LLM已经能够实现流畅的多轮对话、代码编写以及复杂的逻辑推理。<br />
<br />
== 核心架构：Transformer ==<br />
现代LLM大多基于'''Transformer'''架构。该的统计<br />
的统计规律和语义结构。目前的LLM已经能够实现流畅的多轮对话、代码编写以及复杂的逻辑推理。<br />
<br />
== 核心架构：Transformer ==<br />
现代LLM大多基于'''Transformer'''架构</div>
Yuqing
https://zh.lolipedia.org/index.php?title=%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B&diff=15
大语言模型
2026-04-07T00:02:46Z
<p>Yuqing：</p>
<hr />
<div>'''大语言模型'''（Large Language Model，简称LLM）是一种基于深度学习的人工智能模型，专门用于处理、理解和生成人类语言。它通过在海量的文本数据上进行训练，学会了语言规律和语义结构。目前的LLM已经能够实现流畅的多轮对话、代码编写以及复杂的逻辑推理。<br />
<br />
== 核心架构：Transformer ==<br />
现代LLM大多基于'''Transformer'''架构。该的统计</div>
Yuqing
https://zh.lolipedia.org/index.php?title=%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B&diff=14
大语言模型
2026-04-06T23:49:17Z
<p>Yuqing：清空全部内容</p>
<hr />
<div></div>
Yuqing
https://zh.lolipedia.org/index.php?title=%E5%A4%A7%E8%AF%AD%E8%A8%80%E6%A8%A1%E5%9E%8B&diff=13
大语言模型
2026-04-06T23:44:03Z
<p>Yuqing：创建页面，内容为“'''大语言模型'''（Large Language Model，简称LLM）是一种基于深度学习的人工智能模型，专门用于处理、理解和生成人类语言。它通过在海量的文本数据上进行训练，学会了语言的统计规律和语义结构。目前的LLM已经能够实现流畅的多轮对话、代码编写以及复杂的逻辑推理。 == 核心架构：Transformer == 现代LLM大多基于'''Transformer'''架构。该架构引入了注意力…”</p>
<hr />
<div>'''大语言模型'''（Large Language Model，简称LLM）是一种基于深度学习的人工智能模型，专门用于处理、理解和生成人类语言。它通过在海量的文本数据上进行训练，学会了语言的统计规律和语义结构。目前的LLM已经能够实现流畅的多轮对话、代码编写以及复杂的逻辑推理。<br />
<br />
== 核心架构：Transformer ==<br />
现代LLM大多基于'''Transformer'''架构。该架构引入了注意力机制（Attention Mechanism），使模型能够捕捉长距离的语义依赖。<br />
<br />
== 训练过程 ==<br />
LLM的构建通常包含以下两个关键阶段：<br />
# '''预训练（Pre-training）'''：模型在大规模的互联网文本语料库上进行无监督学习。<br />
# '''指令微调（Instruction Tuning）'''：通过人类反馈强化学习等技术，教会模型如何准确理解并执行用户的指令。<br />
<br />
== 局限性：幻觉 ==<br />
尽管LLM表现卓越，但仍存在幻觉现象，即模型可能会生成看似合理但完全错误的事实。<br />
<br />
== 应用领域 ==<br />
LLM目前已广泛应用于多个前沿领域：<br />
* '''智能交互'''：作为虚拟助手提供情感陪伴与信息查询。<br />
* '''辅助开发'''：帮助工程师快速生成代码片段。<br />
* '''内容创作'''：协助进行多语言翻译、文章撰写。<br />
<br />
== 参考资料 ==<br />
# Vaswani, A., et al. (2017). ''Attention Is All You Need''.<br />
# OpenAI. (2023). ''GPT-4 Technical Report''.<br />
# Bommasani, R., et al. (2021). ''On the Opportunities and Risks of Foundation Models''.</div>
Yuqing