大模型里面装着几百亿到上万亿个参数。参数说白了就是一大堆数字，你可以把它们想象成调音台上密密麻麻的旋钮——模型的每一分本事，全都存在这些旋钮拧到了哪个位置上。

训练就是把这几百亿个旋钮一个个拧对，而办法笨得出奇：遮住后半句，让模型猜下一个词。比如给它「今天天气真」，它蒙了个「香」，原文却是「好」——猜错了，就把参与这次判断的旋钮各自拧回来一丁点。一次只挪极小一格，然后换下一句，再来一遍。这个动作要重复上万亿次。冲刷完，旋钮的位置里就沉淀下了「天气后面更可能跟『好』，不太可能跟『香』」这件事。所谓「学会」，全部内容就是这个。

这件事费电、费卡、费钱，跟供一个孩子读完二十年书差不多，属于重资产工程。

而你平时对 AI 说「你是一位资深编辑，帮我润色」，或者给它上传一份公司资料，这些操作一个参数都没动。打个比方：前者是重新培养一个大学生，后者是给现成的大学生递一张便签、发一本手册。便签很有用，但你不能说自己「培养了一个大学生」。

所以下次听到「训了个模型」，第一反应可以是：他动没动参数？动了多少？下面这把梯子帮你把所有情况分成四层。

从下往上，每爬一层，成本和门槛都指数级上升。点击每一层，展开看它的耗时、成本和门槛。饭局上九成的「训了个模型」，都发生在最下面两层。

来玩个小测：下面五句都是社交场合的高频发言。你来猜猜，每句话说的事大概率发生在哪一层。点选项揭晓答案。

分不清对方在哪一层？不用猜，直接问。这三个问题分别卡住成本、数据、底座三个要害，答不上来的人自己会往下滑层。

下面八张卡片，正面是你在发布会和朋友圈见过的原话，点一下翻个面，看看人话版本。每张卡配一个含金量档位：

提前剧透一句：这组卡里「足金」很少见。这不怪本页选卡偏心，现实中它就是这么少见。

翻译只是第一步。真想知道对方有几斤几两，把下面三个问题记熟，哪个场合都能用。放心问，这三个问题很礼貌，只是答案藏不住。

软件圈的开源，给的是源代码：你能看到每一行怎么写的，能自己改、自己编译，整个制作过程摊开在你面前。菜谱、食材、火候，全套公开。

AI 圈的「开源模型」大多没这么慷慨。它给你的是权重：几百 GB 的数字，是那锅汤炖好之后的成品。汤你随便喝，但配方（训练数据）和炖法（训练方法）通常保密。所以圈内更严谨的叫法是「开放权重」，只是新闻标题懒得区分。

另外别忘了许可证。开源模型附带一份使用协议，有的随便商用，有的限制用途或用户规模。自己玩基本没事，拿去赚钱前务必读一遍，这一步很多人跳过，跳过的代价可能是律师函。

判断一个模型开得有多彻底，看三样东西就够了：权重、数据、方法。点下面两个按钮，看看两种典型情况分别亮几盏灯。

还有一个常见误会：新闻里刷榜的「满血版」，和你在自己电脑上跑起来的那个，多半是两回事。厂商通常会把大模型「蒸馏」成小模型：让大的当老师，教出一个小的，能力保留一部分，体积缩小几十倍。点下面的按钮看对比。

「免费下载」和「免费运行」是两件事。模型文件本身不要钱，但它跑起来要占显存：模型越大，需要的显卡越贵，大到一定程度，一张卡装不下，得好几张一起上。电费也是持续开销，虽然家用规模不至于心疼，但服务器规模就是一笔正经账单了。

下面是两个虚构的模型：A 跑分 95，B 跑分 88，按榜单选肯定选 A。但是别急，点下面三个真实任务，看看它们各自的表现。

也有相对可信的榜：真人盲测投票类。做法是把两个模型的回答摆在一起，隐藏名字，让大量真实用户投票选哪个更好。这种榜没有固定题库可背，考官是活人，刷起来难度大得多。

但它也只是「相对」可信：投票的人未必和你干同一行，大众觉得好的回答风格，未必适合你的场景。想看国产模型在各种真实场景里的实际表现，可以移步国产模型怎么选那一页。

最靠谱的评测机构是你自己。方法很土，但极其有效：从自己的工作里攒 10 个真实问题，存成一个文档。每次想换模型，把 10 道题跑一遍，好不好用一目了然。

大模型的一生分成两个阶段：训练和聊天。训练像上学，要读海量资料、反复调整脑子里的参数；聊天像毕业后上班，只负责用学到的东西干活。关键在于：上岗那天起，它脑子里的参数就定型了。你跟它聊一万句，这些参数一个都不会动。想看这两个阶段的详细拆解，本站有一节训练与使用的深入版课程。

「它越来越懂我」这件事，很多人脑中的画面和实际发生的画面差得很远。点下面三个按钮，逐个看看。

刚才「实际发生的画面」里那个小本本，就是各家产品宣传的「记忆功能」。它是模型外面挂的一个记事本：你聊天时提到的关键信息（住哪、吃什么、做什么工作）被摘出来存好，每次新对话开始前，产品把这些条目贴进对话的最前面，模型读到了，回答自然显得懂你。这些贴进去的内容占用的空间，就是常说的上下文窗口。

这里有两件事常被混成一件，得分开说。换个产品，记忆确实带不走：小本本存在 A 产品的服务器上，B 产品看不到，你在一边积累多年的「默契」，换个应用直接清零。所以重要的个人偏好，建议你自己也存一份文档，走到哪贴到哪。

但在同一个产品里新开对话，它并不会失忆——小本本挂在你的账号上，不是挂在某一个对话里。豆包、ChatGPT 这类默认开着记忆功能的产品，你新开一个对话，它照样知道你吃素。真正会丢的，是这个对话里聊过、却没被摘进小本本的那些细节：刚才那段长文档、上一轮的具体措辞、你临时改的口径。失忆的是模型，不是产品。

下面有六段文字，有人写的，也有 AI 生成的。你的任务有点特别：猜一猜检测器会怎么判。猜完每一段，我们会揭晓检测器的判决、真实作者，以及它有没有判错。

检测器的思路是找「AI 味」：用词是否太规范、句子是否太通顺、结构是否太整齐。问题来了：AI 当年就是照着人类的好文章学写作的。通顺、规范、结构清楚，这些恰恰是认真写作的人一直在追求的东西。让检测器找「AI 特征」，等于让它找「好学生特征」，结果就是认真写字的人集体中枪。

更尴尬的是反方向：把 AI 生成的文字改几个词、加两个错别字、掺点口语，检测分数立刻大跳水。一个正着抓冤枉好人、反着抓轻易被骗的工具，你说它抓住的到底是什么？说到底它只认表面特征，认不出作者。

检测器不可靠，但被它冤枉的麻烦是真实的。与其事后争辩，平时留好这三样东西，关键时刻拿得出手。

如果你是拿着检测报告做决定的人，请记住一件事：主流检测工具的官方说明里，都写着结果仅供参考、存在误判可能。工具自己都不敢打包票的事，使用工具的人更不该拿它一票否决一个学生或候选人。

下面是一张仿制的宣传单，六个卖点都是市面上的常见话术。逐条点击，我们给每一条盖上分类章，并附一句点评。章一共四种，含金量依次递减。

拆归拆，知识付费这件事没有原罪。有体系的课程、有人带练的服务、垂直行业的深度整理，都可能物有所值。掏钱之前，用这三条标准过一遍。

好消息是，这门手艺的入门是免费的，进阶靠的是你自己的场景。两步就够：

第一步，学骨架。本站零基础入门篇免费讲过提示词的基本骨架（背景、要求、限制），还有让 AI 先反问你再动手的技巧。两页读完，市面上大半「秘籍」的核心内容你就有了。

第二步，在自己的活儿上磨。挑一件你每周都要做的事（周报、方案、邮件），用骨架写一版提示词，结果不满意就改，改三轮存下来。三个月后你手里那套「专属模板」，任何秘籍都卖不了你，因为它长在你的工作里。

下面是一个固定的问题，一个字都不改。点「再问一次」，看看三次回答能差出多远。

AI 写句子的方式是接话茬：每次只决定下一个字。它先给所有候选字打分，分高的中签机会大，分低的机会小，然后抽一个。抽完这个字，再为下一个字重新抽签。一句话几十个字，就是几十次抽签，两次回答一模一样才是小概率事件。

口说无凭，下面就是某一个位置的真实场景：AI 已经写出「店名建议：茉莉奶」，正在决定下一个字。四个候选字的概率条摆在这里，你来替它掷这一次骰子。多掷几次，注意右侧的中签统计。

你可能会问：直接每次都选分数最高的字，答案稳定，多好？试过，效果很糟。永远选最高分，回答会变成死板的复读机：你问十次奶茶店起名，它答十次「茉莉奶茶」；写出来的文案千篇一律，起名、写诗、想创意这类任务直接废掉。允许它抽中第二名、第三名的词，路子一下就宽了，语言也更像活人说话。

还有一个实用提醒：随机性也意味着单次回答的可靠度有限。涉及重要事实时，同一个问题换着方式多问几次，答案一致的部分可信度更高，来回变的部分就要去权威来源核实。答案不一致和撒谎是两回事，但对你来说，处理方式一样：都要核实。

同一句话：「我上周买的鞋开胶了，想换货但发票丢了」。发给聊天 AI 和发给商家客服机器人，待遇差多少？点下面切换对比。

刚才那位客服机器人，很可能只是在你的话里扫到了「发票」两个字，然后掏出它库存里唯一相关的答案。它蠢，通常出于下面三个原因，而且都挺现实。

知道了原理，对付它就有办法了。客服系统里通常留着几条「升级通道」，命中了就会把你转给真人。

这两年，接了大模型的新一代客服确实在变多。分辨方法很简单：换个说法再问一遍。把「发票丢了能换货吗」换成「购物小票找不着了，还能给我换吗」，老式机器人立刻露馅，接了大模型的客服能稳稳接住。

来一句稍微复杂点的指令，看看它在两种助手的脑子里分别走了一条什么路。点下面切换播放。

刚才那条老路径，问题出在第二步：去命令库里找匹配。这条技术路线有一个绕不开的天花板：人类的说法无穷无尽，命令库里的条目却是工程师一条条写进去的。「叫我起床」「设个闹钟」「明早喊我」…每一种说法都得有人预先想到、预先登记，漏了哪种，助手就听不懂哪种。

这就是为什么这些年语音助手看起来在原地踏步：工程师再加十倍，也穷举不完人类的说话方式。路线的天花板，加人是顶不破的。它和 ChatGPT 的差距是代差，就像按键电话和智能手机，给按键电话换个铃声，它还是按键电话。

好消息是，这两年各家的语音助手陆续开始「换脑子」：把老的命令匹配系统换成大模型，或者两套并用。你可能已经注意到，手机上的助手忽然能多聊几句了。这波升级还在进行中，不同设备、不同地区的进度差别很大，所以你家里可能同时住着新旧两代助手。

音箱要卖得便宜、答得飞快，跑大模型又费算力又慢半拍，所以很多音箱还留着老脑子，这和客服机器人装傻是同一本账。