01

60 秒回答模板

我会先说明，大模型和 2020 年前常见传统模型的区别不能简单归结为“参数变大”。更本质的变化有五层。第一，训练目标变了：很多传统模型依赖人工特征、标注数据和单任务监督训练，大模型则用海量通用语料做自监督预训练，再通过指令微调、偏好对齐或领域适配进入具体任务。第二，能力形态变了：传统模型通常解决一个明确任务，例如分类、排序、识别或序列标注；大模型更像基础能力底座，可以通过 Prompt、上下文示例、工具调用和少量适配迁移到问答、生成、推理、代码、检索增强等多类任务。第三，交互方式变了：传统模型多是输入特征后输出固定标签或分数，大模型可以用自然语言承接需求、追问上下文、生成结构化结果，并通过多轮对话不断修正。第四，泛化机制变了：传统模型更多依靠训练集分布内泛化，大模型通过大规模预训练获得更强的语言、知识和模式迁移能力，但仍会受幻觉、时效性和上下文质量影响。第五，工程要求变了：传统模型重点在特征、训练、离线指标和线上推理服务，大模型还要考虑 Prompt 管理、RAG、上下文窗口、推理成本、延迟、安全对齐、评测集、内容治理和用户信任。补一句边界：2020 年前也有深度学习、Transformer 和预训练模型，不能说传统模型都很简单；区别在于这些技术在大模型时代被规模化、通用化和产品化，形成了新的基础模型范式。

考点 不是只大在参数
难度 真实面经题
回答目标 让候选人能把“大模型 vs 传统模型”讲成范式变化：从单任务监督模型到通用预训练基础模型，并能补充交互、泛化和工程治理层面的真实差异。
02

深入解析

01

先界定比较对象

这里的“传统模型”更适合理解为 2020 年前常见的任务专用机器学习或深度学习系统，包括基于人工特征的模型、CNN/RNN 等深度模型，以及面向特定 NLP 任务的预训练模型。它们不是没有神经网络，也不是完全没有预训练；只是多数系统仍围绕单一任务、固定输入输出和明确训练集构建。大模型的变化是把通用语言能力和多任务迁移能力做成可复用底座。

02

训练范式从监督任务转向通用预训练

传统模型常见路径是先定义任务，再收集标注样本，做特征工程或端到端训练，最后服务于一个较窄目标。大模型通常先在海量文本、代码或多模态数据上做自监督预训练，学习语言结构、世界知识和模式关系，再通过指令微调、偏好对齐、工具使用或领域数据适配到具体场景。这让“先学通用能力，再迁移到任务”成为主路径。

03

模型能力从单点预测变成生成式底座

许多传统模型输出的是分类标签、排序分数、识别框、实体标签或固定长度向量，能力边界相对清楚。大模型以生成为核心，可以把任务统一成序列到序列或上下文到答案的问题：回答问题、生成文案、写代码、总结材料、抽取结构化信息、调用工具、进行多轮澄清。它的价值不只是完成一个任务，而是用同一个底座覆盖一组相邻任务。

04

泛化方式出现上下文学习

传统模型的泛化主要来自训练数据和模型结构，遇到新任务通常需要重新训练、微调或设计特征。大模型除了参数内知识，还能从当前上下文中临时学习任务格式和示例，也就是 zero-shot、few-shot 和 in-context learning。它可以快速适应新指令，但这种适应依赖 Prompt 质量、上下文完整性和模型已有能力，不等于真正理解所有业务事实。

05

交互形态从接口调用变成自然语言协作

传统模型通常嵌在业务流程里，用户很少直接感知模型，只看到推荐、识别或预测结果。大模型可以直接成为用户交互界面：用户用自然语言描述目标、补充约束、要求格式、追问原因，模型则给出可读答案或可执行步骤。产品上因此出现 Prompt、对话状态、上下文管理、工具调用和人机协作工作流，而不只是一个预测 API。

06

工程治理复杂度显著提高

大模型上线不只看准确率，还要看幻觉率、拒答策略、事实一致性、结构化输出通过率、上下文长度、token 成本、延迟、并发、隐私、越权风险和内容安全。传统模型也需要监控和治理，但大模型因为输出开放、能力泛化、用户输入不可控，评测和风控更难。工程上常要配合 RAG、缓存、审计、人工兜底和持续评测。

03

易错点

  • 只回答“大模型参数更多、数据更多”，没有解释训练范式、能力形态和交互方式的变化。
  • 把 2020 年前模型说成完全没有深度学习、Transformer 或预训练，忽略历史连续性。
  • 认为大模型天然理解业务事实，不需要检索、上下文、权限和事实校验。
  • 把 Prompt 当成普通输入字段，没有说明自然语言指令、上下文学习和多轮交互的意义。
  • 只强调大模型更强，不讲成本、延迟、幻觉、安全和评测治理。
  • 把大模型和传统模型对立成替代关系，忽略混合架构和任务适配。
04

面试官追问

2020 年前已经有 BERT 这类预训练模型，为什么还说大模型是新范式？

BERT 等模型已经体现了预训练思想，所以不能把 2020 年前模型都说成没有预训练。新的变化在于规模、生成式能力、指令跟随、上下文学习、工具化和产品交互一起成熟，使模型从某类任务的表示器变成更通用的基础能力底座。

是不是模型参数越多就一定越强？

不是。参数规模只是条件之一，还要看数据质量、训练目标、架构、对齐方式、推理策略和应用约束。参数更大可能带来更强能力，也可能带来更高成本、更慢响应和更难治理的风险。

大模型为什么能做 zero-shot 或 few-shot？

因为预训练阶段覆盖了大量语言模式和任务痕迹，模型学到了把上下文、指令和示例映射到输出的能力。few-shot 示例本质上是在当前上下文中临时定义任务格式和边界，但它依赖模型已有能力，并不是万能泛化。

大模型会完全替代传统模型吗？

不会。高频、低延迟、强可解释、成本敏感、数据结构清晰的任务，传统模型或小模型仍然很有价值。更现实的架构是大模型负责理解、生成和复杂交互，传统模型负责排序、风控、召回、识别或确定性决策。

从产品或工程角度最该关注哪一点？

要关注能力边界和落地成本。大模型让自然语言交互和多任务复用变容易，但也引入幻觉、安全、隐私、延迟和成本问题。好的落地方案要把模型能力放进可评测、可回退、可监控的业务流程。