1. Base模型和Chat模型
base模型，也就是基础模型，是在海量不同文本上训练出来的预测后续文本的模型。后续文本未必是对指令和对话的响应。
chat模型，也就是对话模型，是在base基础上通过对话记录（指令-响应）继续做微调和强化学习，让它接受指令和用户对话时，续写出来的是遵循指令的，人类预期的assistant的响应内容。
2. 多模态LLM
多模态LLM将文本和其他模态的信息结合起来，比如图像、视频、音频和其他感官数据，多模态LLM接受了多种类型的数据训练，有助于transformer找到不同模态之间的关系，完成一些新的LLM不能完成的任务，比如图片描述，音乐解读，视频理解等。
3. Agent模型
LLM具备agent大脑的能力，与若干关键组件协作，包括：
- 规划（Planning）：子目标拆解，纠错，反思和完善。
- 记忆（Memory）：短期记忆（上下文，长窗口），长期记忆（通过搜索或者向量引擎实现）。
- 工具使用（Tool Use）：模型学习调用外部API获取额外的能力。
4. Code模型
Code模型在模型的预训练和SFT中加入了更多的代码数据占比，在代码的一系列任务，比如代码补齐，代码纠错，以及零样本完成编程任务指令。同时，根据不同的代码语言，也会有python，java等更多的专业语言代码模型。
5. 提示（Prompting）与微调（Fine-tuning）
5.1 提示 (Prompting)
这是最基础的使用方式，就像你现在和我聊天一样。
- 机制：你给模型一个指令（Prompt），模型根据它预先训练好的知识给出回答（Output）。
- 特点：
- 即时性：不需要修改模型本身，改改说话方式（提示词工程）就能获得不同的效果。
- 局限性：模型的知识储备停留在它被训练完的那一刻，它没有学习到你的特定新知识。
- 打个比方：就像请一位非常有才华的老师来帮忙。你只需要通过写信（提示词）告诉他你的要求，他就会根据自己的学识给你写出回信。
5.2 微调 (Fine-tuning)
这是一种更深层的"改造"过程。
- 机制：将特定的微调数据（Fine-tuning data）喂给模型，通过再次训练，修改模型内部的参数。
- 特点：
- 专业化：让模型学习特定的语气、格式或某个专业领域的深度知识（比如让它变得像个专业的法律顾问或医生）。
- 持久性：训练完成后，模型本身发生了变化，以后即使不给复杂的提示，它也天然具备这种专业能力。
- 打个比方：就像把这位才华横溢的老师送去参加一个为期三个月的特种兵训练（微调）。训练结束后，他不仅是位老师，还是个专业的特种兵。