1. 什么是大模型？它与传统深度学习模型的区别在哪里？
1.1 先用一句通俗的话解释"大模型"
大模型，通常指的是参数规模很大、训练数据很多、训练算力消耗也非常大的通用模型。它不只是为了做单一任务而训练出来的，而是希望先通过大规模预训练学到通用能力，再通过提示词、微调或者对齐方法，把能力迁移到很多不同任务上。
所以大模型的关键不只是"更大"，而是"大规模预训练 + 更通用的能力边界"。
1.2 它和传统深度学习模型最大的区别是什么？
传统深度学习模型往往更像"专才"，例如专门做情感分类、图像识别或者点击率预测，一个模型服务一个核心任务。而大模型更像"通才底座"，一个模型可以在很多任务之间切换。
这种差别不是只靠参数量带来的，更重要的是训练范式发生了变化：传统模型更多围绕特定标注数据训练，大模型则通常先在海量通用语料上预训练，再通过指令、对齐、微调等方式适配任务。
2. 大模型的核心特点有哪些？请举例说明。
2.1 参数规模大，但"更大"不是唯一结论
大模型最直观的特点当然是参数多，从千万级、亿级，逐步走向百亿级、千亿级，甚至更高。这意味着模型能够容纳更复杂的表达模式和更多的统计规律。
但只说"参数大"还不够。面试里更好的答法是进一步说：参数规模大带来了更强的表达能力，但最终效果还与训练数据质量、训练 token 数量、对齐方法和工程系统密切相关。
2.2 通用性、生成性、提示驱动能力更强
大模型的第二个特点，是能力更加通用。它既能做问答，也能做写作、翻译、摘要、代码生成、信息抽取等。第三个特点，是生成能力更强，很多任务已经不再只是"分类"，而是"直接把答案写出来"。第四个特点，是提示驱动能力，也就是很多任务不必重新训练，只靠 prompt 就能切换工作模式。
2.3 泛化更强，有时会表现出涌现能力
随着模型规模、数据规模和训练计算规模提升，模型往往会表现出更强的少样本学习、任务迁移和上下文学习能力。有些能力在小模型上并不明显，但在大规模模型上会更突出，这也是大家常说的"涌现能力"。
3. 什么是生成式大模型？
3.1 "生成式"三个字怎么理解？
所谓生成式大模型，核心不是"判断它属于哪一类"，而是"把答案直接生成出来"。比如当你问一个问题时，模型不是从几个固定标签里选一个，而是会一段一段地写出回答；当你让它写摘要时，它也不是提取一个编号，而是直接生成摘要文本。
这就是为什么大模型看起来更像在"交流"。因为它输出的不只是一个标签，而是一连串 token 组成的内容。
3.2 自回归生成是最常见的底层逻辑
生成式大模型中非常常见的一类，是自回归语言模型。它的生成过程很像"续写"：先根据已有上下文预测下一个 token，再把这个 token 拼回上下文，继续预测下一个 token，如此循环，直到生成结束。
4. 自回归语言模型的训练目标是什么？
4.1 用最容易理解的话来说
自回归语言模型的训练目标，就是：给模型前面的内容，让它去预测下一个 token。
例如，给模型"今天 天气 很"，它要去猜后面最可能是"好"；给模型"人工 智能 正在"，它要去猜后面最可能是"发展"或其他合适内容。训练时，这个动作会在海量文本上不断重复。
4.2 为什么这个目标很强？
因为看似只是"猜下一个 token"，但如果想猜得准，模型就必须尽量学会词义、语法、上下文关系、常识、风格、领域表达，甚至任务格式。也就是说，这个训练目标虽然简单，却能逼着模型学习非常丰富的语言规律。
5. 大模型参数量单位
5.1 M、B、T 分别是什么意思？
在大模型语境下，常见的参数量单位有 M、B、T。M 表示 Million，也就是百万；B 表示 Billion，也就是十亿；T 表示 Trillion，也就是万亿。
例如，7B 模型表示大约 70 亿参数，70B 模型表示大约 700 亿参数，175B 模型表示大约 1750 亿参数。
5.2 参数量是不是越大越好？
参数量大通常意味着模型容量更大，但并不是唯一决定因素。现在大家已经越来越强调：模型大小、训练数据、训练 token 数量和计算预算之间要平衡。也就是说，不能只盯着参数量看强弱。
6. 大模型（LLMs）的缺点？
6.1 最常被提到的是幻觉
大模型最大的典型问题之一，是幻觉。也就是模型可能用非常自信、非常流畅的方式说出错误内容。尤其在事实性问答、专业知识领域、长链条推理场景里，这个问题更明显。
6.2 训练和推理成本都很高
大模型很强，但也很贵。训练阶段需要大量 GPU、海量数据和复杂的分布式系统；部署阶段，推理延迟、吞吐量、显存占用、服务稳定性也都需要工程优化。
6.3 安全、稳定性、可控性也都是现实问题
除了幻觉和成本，大模型还面临安全风险、偏见、隐私泄露、上下文限制、输出不稳定、可解释性不足等问题。面试里如果能从"效果、成本、安全、工程"四个层面展开，会显得明显更成熟。
7. 为什么 Transformer 架构适合用于大语言模型？
7.1 并行训练能力强
相比 RNN 那种一步一步按时间展开的结构，Transformer 的一个巨大优势是并行计算能力更强。因为它不依赖前一步状态的串行传递，所以更容易利用 GPU 和分布式系统做大规模训练。
7.2 更擅长建模长距离依赖
Transformer 通过 Self-Attention，让任意两个 token 之间可以直接建立关系。这比传统循环结构更适合处理长文本和复杂上下文，也更有利于语言建模。
7.3 结构统一，易于扩展
Transformer 不只是效果好，它还非常"工程友好"：结构统一、可堆叠、可扩展，能够自然发展出 Encoder-only、Decoder-only、Encoder-Decoder 等多种变体，这也是它成为大模型主干架构的重要原因。
8. 面试高频追问，建议这样回答
8.1 什么是大模型？它与传统深度学习模型的区别在哪里？
答：大模型通常指参数规模大、训练数据大、训练算力大的通用模型。它和传统深度学习模型的区别，不只是更大，更在于它通常先经过大规模预训练，形成通用能力，再通过提示词、微调等方式适配多任务，因此更像通用底座，而不是单任务模型。
8.2 大模型的核心特点有哪些？
答：核心特点包括参数规模大、通用性强、生成能力强、提示驱动、泛化能力更强，以及在更大规模下可能出现的涌现能力。
8.3 什么是生成式大模型？
答：生成式大模型是指能够根据输入上下文直接生成内容的模型，不只是输出固定标签，而是一步步生成 token，形成完整回答。
8.4 自回归语言模型的训练目标是什么？
答：训练目标是根据前面的上下文预测下一个 token。生成时也是不断重复这个过程，所以它本质上就是一种"续写模型"。
8.5 大模型参数量单位
答：M 表示百万，B 表示十亿，T 表示万亿。例如 7B 表示大约 70 亿参数。参数量是重要指标，但不是唯一指标。
8.6 大模型（LLMs）的缺点？
答：主要缺点包括幻觉、训练和推理成本高、安全风险、可解释性不足、上下文与记忆限制，以及输出稳定性和可控性不足。
8.7 为什么 Transformer 架构适合用于大语言模型？
答：因为 Transformer 并行训练能力强，能高效建模长距离依赖，结构统一且易于扩展，所以非常适合做超大规模语言模型。
9. 总结：真正高质量的回答，不是背名词，而是讲清逻辑链
如果把这组题浓缩成一句话，那就是：大模型是一类通过大规模预训练获得通用能力的模型，它比传统模型更通用、更会生成、更擅长通过提示词完成任务；很多生成式大模型采用自回归语言建模方式训练；它的强大建立在大规模参数、数据和算力之上，但也伴随着幻觉、成本和安全等问题，而 Transformer 则是支撑其规模化训练的关键架构。
面试里最能体现理解深度的，不是你能背多少缩写，而是你能否把"定义 → 特点 → 训练目标 → 参数规模 → 缺点 → 架构原因"这条线讲顺。只要这条逻辑线顺了，回答就会显得很专业。
附：30 秒面试快答模板
"大模型通常指参数规模大、训练数据大、训练算力大的通用模型。它和传统深度学习模型的区别，不只是更大，而是具有更强的通用性、生成能力和提示驱动能力。生成式大模型通常采用自回归语言模型的训练目标，也就是根据前文预测下一个 token。参数单位里，M 是百万，B 是十亿，T 是万亿。大模型的缺点包括幻觉、成本高、安全风险和可控性不足。Transformer 之所以适合做大模型，是因为它并行训练能力强、能建模长距离依赖，而且结构统一、易于扩展。"