1. 核心范式：一切皆概率
记忆锚点 ：下一个词预测
核心内容 ：大模型本质是基于海量文本训练的概率模型，核心任务是给定上下文预测下一个最可能的词/Token。所有对话、创作、推理都源于此。
重要性：理解模型能力的起点，明确其没有真正的"理解"，只是在计算可能性。
2. 涌现能力：量变到质变
记忆锚点 ：规模定律
核心内容 ：当模型的参数量、数据量和计算量超过临界规模时，会突然出现小型模型没有的复杂能力（推理、编程等），这是规模带来的质变。
重要性：解释"大力出奇迹"的有效性，是追求更大模型的根本原因。
3. 上下文窗口：工作记忆
记忆锚点 ：Token限额
核心内容 ：模型单次处理文本的最大长度限制，决定了能"记住"并利用多少前文信息，超过窗口的内容会被遗忘。
重要性：关键使用约束，是长文档分析、复杂对话和多轮任务的前提。
4. 对齐：符合人类价值观
记忆锚点 ：RLHF
核心内容 ：通过技术（如基于人类反馈的强化学习）引导模型输出与人类意图、伦理和安全标准对齐，使模型变得有用、诚实、无害。
重要性：模型安全可靠交互的保障，是产品化和商业化的核心环节。
5. 幻觉：天生缺陷
记忆锚点 ：自信地胡说八道
核心内容 ：模型生成内容看似合理但与事实或逻辑不符，根源在于学习的是文本关联模式而非事实，追求"符合语境的表达"而非"客观真理"。
重要性：当前最致命的缺陷，使用模型时必须对关键信息保持事实核查意识。
6. Transformer架构：技术引擎
记忆锚点 ：注意力机制
核心内容 ：主流大模型的基础架构，核心"自注意力机制"能让模型在处理一个词时动态关注上下文中所有其他词的重要性，从而理解长距离依赖。
重要性：大模型能力的技术基石，支撑复杂语义和长文本处理。
7. 提示工程：沟通艺术
记忆锚点 ：指令、示例、角色
核心内容 ：通过设计输入文本（提示词）显著影响输出质量，技巧包括清晰指令、少量示例、角色设定、思维链等。
重要性：最实用、最低成本的模型能力激发手段。
8. 微调：任务定制
记忆锚点 ：专业数据二次训练
核心内容 ：在通用大模型基础上，使用特定领域或任务的数据集进行额外有监督训练，大幅提升该任务表现。
重要性：将通用模型转化为垂直领域专用工具的关键路径，是企业应用核心技术。
9. 多模态：从文本到世界
记忆锚点 ：GPT-4V，Gemini
核心内容 ：大模型从纯文本发展为能同时理解和生成图像、音频、视频等多模态信息的统一模型，核心是将不同模态映射到同一语义空间。
重要性：通往通用人工智能的关键一步，极大扩展应用场景。
10. RAG：解决幻觉与知识更新
记忆锚点 ：检索+生成
核心内容 ：检索增强生成，先在外知识库检索准确信息，再将此信息作为上下文提供给模型生成答案，绕过模型记忆局限。
重要性：构建企业级可信AI应用的主流架构，低成本获取最新、私有、准确知识，有效缓解幻觉。