大模型简史综述 -从Transformer（2017）到DeepSeek-R1（2025）
「语言模型」（LMs）和「大型语言模型」（LLMs）这两个术语虽然经常被互换使用， 但实际上它们基于规模、架构、训练数据和能力指代不同的概念。 子集，其规模显著更大，通常包含数十亿个参数（例如，GPT-3 拥有 1750 亿个参
报告摘要
「语言模型」（LMs）和「大型语言模型」（LLMs）这两个术语虽然经常被互换使用， 但实际上它们基于规模、架构、训练数据和能力指代不同的概念。 子集，其规模显著更大，通常包含数十亿个参数（例如，GPT-3 拥有 1750 亿个参
核心要点
- 1. 什么是语言模型 (Language Models)？
- 1.1 大型语言模型（LLMs）
- 1.2 自回归语言模型 （Autoregressive Language Models）
- 1.3 生成能力
- 2. Transformer革命 (2017)
报告信息
- 文件全名
- 《大模型简史综述 -从Transformer（2017）到DeepSeek-R1（2025）-22页.pdf》
- 适合读者
- 核心数据
- 「文本」预测下一个「字」（或token／sub-word）的「概率分布」(propability
- 从预测的概率分布中随机采样一个字。
- 开始，如下图，模型通过迭代预测下一个词，直到生成完整的序列或达到预定的停止条
- 核心议题
常见问题
《大模型简史综述 -从Transformer（2017）到DeepSeek-R1（2025）》主要包含哪些内容?
「语言模型」（LMs）和「大型语言模型」（LLMs）这两个术语虽然经常被互换使用， 但实际上它们基于规模、架构、训练数据和能力指代不同的概念。 子集，其规模显著更大，通常包含数十亿个参数（例如，GPT-3 拥有 1750 亿个参核心数据:「文本」预测下一个「字」（或token／sub-word）的「概率分布」(propability;从预测的概率分布中随机采样一个字。;开始，如下图，模型通过迭代预测下一个词，直到生成完整的序列或达到预定的停止条。
这份报告覆盖哪一年、篇幅多大?
覆盖 2025 年,全文约 22。
这份报告是免费的吗?如何获取?
本报告免费查阅,登录资料宝后即可在线获取完整内容。
这份报告适合哪些读者?
适合战略规划、行业研究员等读者参考。
报告涉及哪些关键议题?
重点分析了大模型、LLM、GPT、语言模型等议题。
继续阅读
查看全部 →