1. 人工智能与大模型 #

2.1 什么是人工智能（AI） #

2.2 从传统 AI 到大模型 #

2.3 机器学习与深度学习 #

3. 前置知识 #

3.1 自然语言处理（NLP）是什么 #

3.2 什么是 Token #

3.3 什么是 API 调用 #

4. 什么是大语言模型 #

4.1 大模型的定义 #

4.2 大模型的四个「大」 #

4.3 为什么这几年大模型突然火起来 #

5. AGI 与 AIGC #

AIGC 是当前 AI 技术的重要应用方向，AGI 是长期的终极目标；AIGC 的发展为 AGI 积累了必要的技术基础，但 AGI 还需突破更高层的认知与推理能力。

5.1. 定义不同 #

5.2. 关系 #

维度 AIGC AGI
定位 具体应用技术 理想形态的智能体
能力范围 生成内容（如写作、绘画、对话） 跨领域理解、推理、决策、自主学习
当前状态 已广泛落地（如 ChatGPT、Midjourney） 尚未实现，属于研究愿景
对另一方的作用 为 AGI 提供语言/视觉等基础能力积累 如果实现，将极大提升 AIGC 的创造性和自主性

AIGC 是今天我们能用的“智能生成工具”，AGI 是未来可能实现的“通用智能大脑”；AIGC 是 AGI 漫长征程中的一个重要里程碑。

6. 常见大模型一览 #

6.1 国内外代表模型 #

6.1.1 国内主流大模型 #

模型名称 开发者 最新版本 参数量 上下文窗口 多模态能力 主要特点 官网地址补充
通义千问 阿里巴巴 Qwen3.5-Plus (旗舰) / Qwen3.5-Omni (全模态) 3970亿 (总) / 170亿 (激活) 1M tokens（Plus） 原生多模态，支持处理长达2小时的视频。Omni版本支持图片、视频、语音、文字的全模态输入与输出，可处理超10小时音频。 开源（Apache 2.0）；视觉与代码能力深度融合，可将手绘界面草图转为前端代码。 通用入口：https://tongyi.aliyun.com/qianwen/
开发者API：https://bailian.console.aliyun.com/
文心一言 百度 文心大模型5.0 2.4万亿 (2.4T) 未明确公开 原生全模态，统一建模文本、图像、音频、视频，支持输入与输出。 超稀疏MoE架构，激活参数比低于3%；中文理解能力强；可通过百度千帆平台调用。 https://yiyan.baidu.com/
DeepSeek 深度求索 DeepSeek-V4 (2026年4月发布) 1.6万亿 (总) / 490亿 (激活) 1M tokens 当前版本为纯文本模型，但长上下文能力是其核心亮点。 开源先锋，成本仅为国外竞品的一小部分；擅长长文本推理与代码生成；提供Pro（高性能）和Flash（高性价比）版本。 对话入口：https://chat.deepseek.com/
主站：https://www.deepseek.com/
智谱 GLM 智谱AI GLM-5 (2026年2月发布) 7450亿 (总) / 440亿 (激活) 约 202K tokens 原生多模态，能够理解复杂的UI界面和视觉信息。 代码能力强，被誉为“国产代码之神”；全程基于华为昇腾芯片训练，实现国产替代。 统一入口z.ai：https://z.ai/
公司/开发入口：https://www.zhipuai.cn/
开发者文档：https://open.bigmodel.cn/
https://chatglm.cn/
月之暗面 Kimi 月之暗面 Kimi K2.6 (2026年4月发布) 1万亿 (总) / 320亿 (激活) 262K tokens 支持文本、图像和视频等多模态输入。 长文本专家，擅长一次性处理海量文档和代码库；在SWE-Bench代码测试中得分69.2%，支持多Agent并行协作。 产品入口：https://kimi.moonshot.cn/
公司官网：https://www.moonshot.cn/
https://kimi.com/
Kimi Code专用入口：https://kimi.com/code

6.1.2 国外主流大模型 #

模型名称 开发者 最新版本 参数量 上下文窗口 多模态能力 主要特点 官网地址补充
GPT系列 OpenAI GPT-5.4 (2026年3月发布) 未公开 标准版/Thinking版：1M tokens；Pro版：256K tokens 原生支持多模态（文本、音频、图像）。 首个具备原生计算机使用能力的模型，可通过截图识别并执行跨应用任务；分标准、推理、Pro三个版本。 主站：https://openai.com/
产品入口：https://chat.openai.com/
Claude系列 Anthropic Claude Sonnet 4 (2025年5月发布) 未公开 标准版：200K；Beta版：1M tokens 支持文本和图像输入。 安全性与可靠性高；编码能力卓越，SWE-Bench得分达72.7%；在长上下文处理上曾一度领先。 对话入口：https://claude.ai/
公司介绍/API：https://www.anthropic.com/
Gemini系列 Google Gemini 2.0 (2026年3月发布) 未公开 Ultra/Pro版：2M；Flash版：1M tokens 原生多模态，支持图文音视频的深度理解与分析。 与Google生态深度整合，支持原生工具调用（如Google搜索）；多模态推理能力强大，部分基准测试超越GPT-5。 对话入口：https://gemini.google.com/
公司与开发者入口：https://deepmind.google/

小提示：上表中的参数量以“亿”或“万亿”为单位，例如“1万亿”等同于“10^12”个参数。这仅代表模型规模，并不直接等价于其性能，模型效果还与训练数据、算法架构等多种因素密切相关。

6.2 开源与闭源怎么选 #

6.3 模型名称里的关键字 #

关键词类别 关键词 示例 含义
版本/规格 Max Qwen3.7-Max, Qwen-Image-Max, QVQ-Max 表示该系列中规模最大、能力最强的旗舰版模型。通常参数量最大，性能最全面，但推理成本也最高。
Plus Qwen3.7-Plus, Qwen3-VL-Plus, Qwen-Image-Plus 表示增强版或高级版。相比基础版，在性能、效果上有显著提升，平衡了能力与成本。
Flash Qwen3.6-Flash, Qwen3-VL-Flash, Qwen-Flash 表示轻量极速版。参数量小、响应速度快、成本低，适合高频调用或实时性要求高的场景。
Turbo Z-Image-Turbo, Qwen-Omni-Turbo, Qwen-Math-Turbo 表示加速版。通过技术优化，在保持大部分性能的前提下显著提升推理速度，降低延迟。
Pro Qwen-Image-2.0-Pro 通常表示专业版或增强版，比普通版拥有更好的性能或更高分辨率，定位高于Plus低于Max。
Lite Qwen-MT-Lite 表示轻量版，功能更精简，资源消耗更少，适合基础需求或快速试用。
Preview Qwen3.6-Max-preview 表示预览版，在正式发布前放出，供用户提前体验或测试新功能，可能不稳定。
Long Qwen-Long 表示支持超长上下文的模型（此处支持1000万tokens），专为处理长文档、长对话设计。
Doc Qwen-Doc-Turbo 表示文档处理专用模型，擅长文档信息抽取、摘要、审核等任务。
Character Qwen-Flash-Character, Qwen-Plus-Character 表示角色扮演模型，优化了人设遵循、情感共情等对话能力，适合构建拟人化AI。
开源模型 Qwen3.6开源模型, Qwen2.5-开源模型 表示该模型的权重、代码等对外公开开放，用户可下载、部署、修改，而非仅通过API调用。
推理模型 StepFun推理模型 指经过特殊训练（如强化学习）以增强逻辑推理能力的模型，在数学、代码等推理任务上表现突出。
多模态与视觉 VL (Vision-Language) Qwen3-VL-Plus, Qwen-VL-Max 视觉-语言模型，能同时理解图像/视频和文本，例如看图问答、OCR、物体检测。
Vision Qwen-VL中的V即Vision 指模型的视觉理解能力，与VL同义。
Omni Qwen3.5-Omni-Flash, Qwen-Omni-Turbo 表示全模态模型，能处理文本、图像、音频、视频的任意组合输入，并可能输出多模态内容。
I2V (Image-to-Video) HappyHorse-I2V, Wan-I2V 图片生成视频，输入一张静态图片，输出一段动态视频。
T2V (Text-to-Video) HappyHorse-T2V, Wan-T2V 文本生成视频，根据文字描述生成视频内容。
R2V (Reference-to-Video) HappyHorse-R2V, Wan-R2V 参考生成视频，基于多张参考图片（如人物、场景）生成保持一致性的视频。
T2I (Text-to-Image) Wan-T2I 文本生成图像，根据文字描述生成图片。
VideoEdit HappyHorse-Video-Edit, Wan-VideoEdit 视频编辑模型，通过指令或参考图对视频进行局部或整体修改。
Image Qwen-Image-2.0, Wan-Image 指与图像相关的模型，如图像生成、编辑。
OCR (Optical Character Recognition) Qwen-VL-OCR 光学字符识别，专门从图片中提取文字信息的模型。
QVQ QVQ-Max, Qwen-QVQ-Plus 千问视觉推理模型的专用前缀，代表具备视觉输入+思维链推理能力。
GUI GUI-Plus 图形用户界面交互模型，能够理解手机、电脑屏幕内容，并执行点击、输入等操作。
3D Tripo 3D生成模型，从文本或图片生成三维模型（Tripo本身是模型名，但其能力为3D）。
语音/音频 TTS (Text-to-Speech) qwen3-tts-instruct-flash-realtime, Qwen-TTS 文本转语音，将文字合成自然语音。
ASR (Automatic Speech Recognition) Qwen3-ASR-Flash, Fun-ASR语音识别 自动语音识别，将语音转写成文字。
VC (Voice Clone) Qwen3-TTS-VC-Realtime 声音复刻，根据少量音频样本克隆特定人的声音。
VD (Voice Design) Qwen3-TTS-VD-Realtime, Qwen-声音设计 声音设计，根据文字描述生成全新的、不存在的合成声音。
Instruct qwen3-tts-instruct-flash 指令式语音合成，可通过自然语言指令控制合成语音的情感、语调、语速等。
Realtime Qwen3.5-Omni-Flash-Realtime, Paraformer实时语音识别 实时版本，支持低延迟流式处理，适用于实时对话、直播等场景。
Filetrans Qwen3-ASR-Flash-Filetrans 文件转录版，专门处理已上传的音频/视频文件，非实时。
CosyVoice CosyVoice大模型 特定语音大模型的名称，强调自然、拟人化语音合成。
Sambert Sambert语音合成 阿里云自研的高表现力语音合成技术品牌。
Paraformer Paraformer实时语音识别 阿里云自研的语音识别模型系列名称。
Fun-ASR Fun-ASR实时语音识别 通义实验室的新一代端到端语音识别大模型系列名称。
EMO / LivePortrait / AnimateAnyone 悦动人像EMO, 灵动人像LivePortrait, 舞动人像AnimateAnyone 不同的人物肖像/全身动作视频生成模型名称，用于生成动态人像视频。
代码/数学 Coder Qwen3-Coder-Plus, Qwen-Coder-Turbo 专门为编程和代码生成优化的模型，具备强大的代码理解、生成和调试能力。
Math Qwen-Math-Plus, Qwen-Math-Turbo 专门为数学解题优化的模型，擅长方程、证明、计算等。
翻译 MT (Machine Translation) Qwen-MT-Plus, Qwen-MT-Flash 机器翻译模型，支持多语种互译。
LiveTranslate Qwen3-LiveTranslate-Flash 实时同声传译模型，支持音视频流式翻译。
向量/检索 Rerank Qwen-Rerank 重排序模型，对检索结果进行精细排序，提升相关性。
Embedding Qwen-Embedding, Qwen-VL-Embedding 向量化模型，将文本/图像转换成语义向量，用于检索、聚类等。
通义多模态向量 通义多模态向量 支持文本、图像、视频统一表征的向量模型。
其他 参数规模 7b, 30b, 480b, 27b, 60b, 200亿 表示模型的参数量，例如7B=70亿，30B=300亿。通常规模越大能力越强，但成本越高。
deep-research qwen-deep-research 深度研究智能体，能使用搜索、推理等工具生成可溯源的报告。
声音复刻 / 声音设计 Qwen-声音复刻, Qwen-声音设计 分别是声音克隆和声音合成的中文直称。
虚拟模特 / AI试衣 虚拟模特, AI试衣-Plus版 电商领域专用模型，将服装商品图自动穿戴到模特身上。
FaceChain FaceChain人物写真生成 人物写真生成模型，可基于少量照片生成多种风格的个人写真。
WordArt 锦书 WordArt锦书-文字变形 创意艺术字生成模型，可对文字进行纹理、变形等特效设计。

7. 大模型能做什么 #

7.1 日常生活场景 #

7.2 工作学习场景 #

8. GPU 与大模型 #

8.1 为什么需要 GPU #

8.2 需要关心什么 #

9. 趋势与挑战 #

9.1 发展方向 #

9.2 需要注意的问题 #

10. 调用大模型 API #

10.1 调用前准备 #

10.2 安装依赖 # 

# 安装 OpenAI Python SDK
pip install openai
# 验证是否安装成功
python -c "import openai; print(openai.__version__)"

10.3 用环境变量保存 API Key # 

# 设置 API Key（把 sk-xxx 换成你的真实密钥）
$env:OPENAI_API_KEY = "sk-6a81543e4e9047ae8f2f9d44a8ee7de2"
# 若使用国内兼容接口，再设置 Base URL（按平台文档填写）
$env:OPENAI_BASE_URL = "https://api.deepseek.com"
# 导入 os，用于读取环境变量
import os

# 从环境变量读取 API Key
api_key = os.getenv("OPENAI_API_KEY")
# 从环境变量读取接口地址，未设置则为 None
base_url = os.getenv("OPENAI_BASE_URL")

# 检查 Key 是否存在
if not api_key:
    # 没有 Key 时打印友好提示
    print("未检测到 OPENAI_API_KEY，请先在终端设置环境变量。")
    print("PowerShell 示例: $env:OPENAI_API_KEY = 'sk-你的密钥'")
else:
    # 有 Key 时只显示前后几位，避免完整泄露
    masked = api_key[:7] + "..." + api_key[-4:]
    # 打印脱敏后的 Key
    print("已读取 API Key:", masked)
    # 打印 Base URL（可能为空，部分平台使用默认地址）
    print("Base URL:", base_url or "（使用 SDK 默认地址）")

10.4 一问一答 # 


# 导入 os 模块，用于读取环境变量
import os
# 导入 requests，用于发送 HTTP 请求
import requests

# 获取 OPENAI_API_KEY 环境变量的值，如果没有则使用备用 key
api_key = os.getenv("OPENAI_API_KEY") or "sk-6a81543e4e9047ae8f2f9d44a8ee7de2"
# 如果没有获得 API key，则提示用户并退出程序
if not api_key:
    print("请先设置环境变量 OPENAI_API_KEY")
    raise SystemExit(1)

# 获取 OPENAI_BASE_URL 环境变量的值，如果没有则使用默认 deepseek 地址
base_url = os.getenv("OPENAI_BASE_URL") or "https://api.deepseek.com"

# 组织 API 请求地址和 headers
api_url = f"{base_url.rstrip('/')}/v1/chat/completions"
headers = {
    "Authorization": f"Bearer {api_key}",
    "Content-Type": "application/json"
}

# 构建请求数据
model_name = os.getenv("OPENAI_MODEL", "deepseek-v4-pro")
data = {
    "model": model_name,
    "messages": [
        {"role": "user", "content": "你好，请用一句话介绍你自己。"}
    ]
}

# 发送 POST 请求
response = requests.post(api_url, headers=headers, json=data)

# 检查请求是否成功
if response.status_code != 200:
    print("请求失败:", response.status_code, response.text)
    raise SystemExit(1)

# 解析 JSON 响应
result = response.json()
# 从回复中获取模型回复内容
answer = result["choices"][0]["message"]["content"]
# 打印模型回复内容
print("模型回复:", answer)
# 打印本次调用消耗的 token 数
print("消耗 token:", result.get("usage", {}).get("total_tokens", "无信息"))

10.5 多轮对话示例 # 

# 导入 os 模块，用于处理系统环境变量
import os
# 使用 requests 代替 openai 模块
import requests

# 从环境变量获取 API Key，如果不存在则使用默认 key
api_key = os.getenv("OPENAI_API_KEY") or "sk-6a81543e4e9047ae8f2f9d44a8ee7de2"
# 如果 API Key 为空，则提示用户设置环境变量，并终止程序
if not api_key:
    print("请先设置环境变量 OPENAI_API_KEY")
    raise SystemExit(1)

# 获取基础 URL
base_url = os.getenv("OPENAI_BASE_URL") or "https://api.deepseek.com"
# 获取模型名称
model = os.getenv("OPENAI_MODEL", "deepseek-v4-pro")

# 构建多轮对话历史列表
messages = [
    {"role": "system", "content": "你是一位资深旅游顾问，擅长为不同需求的客户规划个性化行程。"},
    {"role": "user", "content": "我想明年春天去北京旅游，有什么推荐的景点吗？"},
]

def ask_chat(messages):
    url = f"{base_url}/v1/chat/completions"
    headers = {
        "Content-Type": "application/json",
        "Authorization": f"Bearer {api_key}"
    }
    data = {
        "model": model,
        "messages": messages
    }
    response = requests.post(url, headers=headers, json=data)
    response.raise_for_status()
    return response.json()

# 发起第一次聊天请求
response1 = ask_chat(messages)
# 获取模型的第一轮回答内容
assistant_reply1 = response1["choices"][0]["message"]["content"]
messages.append({"role": "assistant", "content": assistant_reply1})

# 添加用户的追问消息，形成第二轮对话
messages.append({"role": "user", "content": "我比较喜欢自然风光和安静的地方，可以推荐一些特色小众目的地吗？"})

# 发起第二次聊天请求，带上完整的对话历史
response2 = ask_chat(messages)
assistant_reply2 = response2["choices"][0]["message"]["content"]

# 打印第二轮助手的回复内容
print("第二轮回复:")
print(assistant_reply2)

10.6 常见问题 #

← 上一节 65.sqlalchemy 下一节 68.提示词 →