一、LLM 是什么LLMLarge Language Model大语言模型是基于 Transformer 架构、在海量文本上预训练的超大规模神经网络通过预测下一个词学习语言规律具备理解、生成、推理等通用语言能力。典型代表GPT、Claude、GLM、DeepSeek 等。二、与传统机器学习模型的主要区别维度传统机器学习模型LLM架构决策树、SVM、CNN/RNN 等Transformer自注意力机制训练方式针对单一任务用标注数据训练海量无标注文本预训练 指令微调任务范围专一一个模型一个任务通用一个模型多任务数据需求需大量标注数据预训练无需标注微调少量即可参数规模通常较小万~亿级极大数十亿~万亿级使用方式需针对每个任务单独训练零样本/少样本提示词即可驱动输入输出固定格式如特征向量→标签自然语言输入→自然语言输出泛化能力限于训练分布内跨任务、跨领域泛化强可解释性相对较高如树结构可解释较低黑盒难追溯推理过程部署成本低高需大量算力更新方式重新训练提示词调整 / 微调 / RAG三、核心差异详解1. 通用性 vs 专用性传统 ML一个模型只做一件事——垃圾邮件分类器只能分类邮件换任务就得重新训练。LLM一个模型能翻译、写代码、问答、总结——通过提示词切换任务无需重训。2. 数据依赖传统 ML强依赖人工标注数据标注成本高。LLM预训练用无标注文本下游任务只需少量示例few-shot甚至零示例zero-shot。3. 使用门槛传统 ML需特征工程、模型选择、调参、训练部署门槛高。LLM写好提示词即可使用门槛大幅降低。4. 推理与涌现传统 ML能力限于训练时学到的模式无涌现。LLM规模到一定程度后出现推理、规划等涌现能力能处理训练时未见过的任务。四、各自适用场景场景推荐方案结构化数据分类/回归如风控、推荐传统 ML更高效、可解释图像/语音等特定领域专用模型CNN/ASR自然语言理解与生成LLM多任务、零样本场景LLM强可解释性要求传统 ML实时性要求高、资源受限传统 ML轻量五、总结传统 ML 是专才——一个模型解决一个特定任务需标注数据、特征工程高效可解释但通用性弱。LLM 是通才——一个模型应对多种任务靠预训练获得通用语言能力提示词驱动、泛化强但成本高、可解释性弱。两者并非替代关系而是互补结构化数据、强可解释、低延迟场景用传统 ML自然语言、多任务、零样本场景用 LLM实际系统中常组合使用如 LLM 做意图理解 传统 ML 做精准预测。
