基础模型

它是什么

基础模型是在广泛数据上进行大规模训练，并能通过提示、微调等方式适配多种下游任务的模型。这里的“基础”描述它会成为其他系统的共同底座，不表示模型已经掌握所有知识，也不等于通用人工智能。[S1][S2]

为什么需要它

过去常为每个任务单独准备数据、训练模型和维护接口。基础模型把一部分通用表示和生成能力集中到同一个底座，团队可以在其上构建分类、检索、生成或多模态应用，减少从零训练的门槛，也让能力改进能够被多个下游系统复用。

它如何工作

模型先通过大规模预训练学习可复用的表示或生成规律，再通过提示、少量示例、微调或其他适配方式服务具体任务。[S1] BERT 展示了预训练表示经过较小的任务层和微调后可用于多类语言任务。[S2] 实际产品还需要在模型外补充数据、工具、权限、评估和人工流程。

真实例子

客服团队可以基于同一个语言基础模型实现工单分类、知识库查询改写和回复草稿。这样能复用接入与评估设施，但若底座对某类产品名称理解错误，三个功能都可能受到影响。团队既要评估每个任务，也要记录共同依赖带来的故障范围。

什么时候适合与不适合

适合任务较多、自然语言或多模态边界较宽、团队能够持续评估和约束输出的场景。复用会降低单项能力的起步成本，却也会让偏差、安全缺陷、供应变化和成本波动传播到多个应用。[S1] 对规则稳定、输入有限或必须完全可审计的任务，更小的专用模型或确定性流程可能更合适。

亲自试一下

目标是识别“共同底座”带来的收益和集中风险。选择三个计划中的 AI 功能，列出它们可以共享的模型能力、各自必须独立验证的指标，以及一个会同时影响三者的底座故障。若只能写出复用收益，却写不出共同故障面，说明方案边界还不完整。

接下来学什么

先学习预训练理解通用能力如何形成，再用微调理解任务适配；结合大语言模型区分模型类别与语言模型，并用AI 评估检查具体应用是否可用。

来源与修订

基础模型的定义、复用价值与共同风险参考 Stanford CRFM 报告 [S1]；预训练表示适配多类语言任务的机制参考 BERT 论文 [S2]。本文不以参数规模单独判断模型是否属于基础模型，也不把“可适配”写成“无需验证即可使用”。