LLMs大模型工具化产品分类

大模型产品分类

• 按功能分类

  • 通用大模型

    • 定义：适用于多个领域和任务的大规模预训练语言模型。
    • 应用场景：文本生成、对话系统等多样化任务。
    • 特点
      • 使用大量计算资源和广泛的数据集进行训练。
      • 拥有巨量参数以捕捉语言的一般特征和知识。
      • 强大的泛化能力，能够处理各种主题的问题。
    • 示例：GPT系列模型。

  • 行业大模型

    • 定义：基于通用大模型，在特定行业的专有数据上进一步训练或微调。
    • 特点
      • 更好地适应特定行业的语境和技术术语。
      • 提高在专业问题上的表现精度。
    • 应用场景：医疗保健领域的问答系统，能够解析复杂的临床案例或最新研究成果。
    • 示例：医学文献、通信、零售等相关资料训练过的行业大模型。

  • 场景大模型（垂类大模型）

    • 定义：专注于解决非常具体应用场景下的问题的大模型。
      • 特点
        • 在通用或行业大模型基础上进一步优化，满足特定交互需求。
        • 关注用户交互模式、上下文保持等方面的能力。
        • 对安全性和隐私保护要求较高。
      • 应用场景：客服对话、在线教育平台上的智能助教等。
      • 示例：针对企业内部使用的客户服务机器人。

• 按交互方式分类
  • 单轮问答型

    • 特点：用户提出一个问题，系统根据这个问题直接作答，不考虑之前的交互历史。
    • 示例：例如简单的知识查询工具，像查询某历史事件发生年份的工具，用户问“辛亥革命是哪一年发生的？”，系统直接回答“1911年”。

  • 多轮对话型

    • 特点：能够维持一个对话上下文。
    • 示例：比如用户先问“有哪些适合旅行的城市？”系统回答后，用户接着问“那其中哪个城市物价最低？”系统能依据上一轮提到的城市进行筛选和回答。

• 按知识来源分类
  • 基于预训练模型的通用知识问答

    • 利用大规模预训练模型，这些模型在海量的文本数据（如新闻、百科知识等）上进行过预训练。
      像一些通用的人工智能助手，能回答各种各样的常识性问题，如科学知识、文化现象等。

  • 基于特定领域知识的问答

    • 专注于某个特定领域，如医疗领域。它可以回答疾病的症状、治疗方法等问题。
      其知识来源主要是医学文献、临床经验等专业资料。

• 按答案生成机制分类
  • 检索式问答

    • 工作原理：从预先构建好的知识库（可以是结构化的数据库或者文档库）中检索与问题最匹配的内容作为答案。
    • 示例：例如企业内部的知识库问答系统，员工询问公司的某项政策，系统就在政策文档库中查找并返回相关条文。

  • 生成式问答

    • 工作原理：利用自然语言处理技术生成答案。它不依赖于特定的知识库条目，而是根据学到的语言模式和语义信息来创造回答。
    • 示例：像一些创意写作辅助工具，用户问“写一个关于春天的诗句”，系统就能生成类似“春风轻拂百花香，燕舞晴空日影长。”这样的诗句。

原文地址：https://blog.csdn.net/xiaodoudouer/article/details/145285240

免责声明：本站文章内容转载自网络资源，如侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！