计算机应用

作者：秦小林, 古徐, 李弟诚, 徐海文

单位：1.中国科学院 成都计算机应用研究所，成都 610213；2.中国科学院大学 计算机科学与技术学院，北京 100049；3.中国民用航空飞行学院 理学院，四川 广汉 618307

关键词：大语言模型,智能体,自然语言处理,检索增强生成,模型幻觉

基金：国家重点研发计划项目(2023YFB3308601);四川省科技计划项目(2024NSFJQ0035);四川省委组织部人才专项

大语言模型（LLM）是由具有大量参数（通常数十亿个权重或更多）的人工神经网络组成的一类语言模型，使用自监督学习或半监督学习对大量未标记文本进行训练，是当前生成式人工智能（AI）技术的核心。与传统语言模型相比，LLM通过大量的算力、参数和数据支持，展现出更强的语言理解与生成能力，广泛应用于机器翻译、问答系统、对话生成等众多任务中并表现卓越。现有的综述大多侧重于LLM的理论架构与训练方法，对LLM的产业级应用实践及技术生态演进的系统性探讨仍显不足。因此，在介绍LLM的基础架构、训练技术及发展历程的基础上，分析当前通用的LLM关键技术和以LLM为底座的先进融合技术。通过归纳总结现有研究，进一步阐述LLM在实际应用中面临的挑战，包括数据偏差、模型幻觉和计算资源消耗等问题，并对LLM的持续发展趋势进行展望。

来源：2025年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第3期