第一章：大语言模型与传统 NLP 的本质区别

1.1 传统 NLP 是怎么干活的

理解 LLM 厉害在哪，得先看它之前业界怎么处理自然语言任务。

传统 NLP 是流水线式的：一个完整任务拆成好几个独立步骤，每步用一个专门的模型。这不是大家想这么干，而是当时小模型能力有限，必须把复杂问题拆成一个个简单子问题，每个子问题单独训一个模型才搞得定。

flowchart LR
    IN["用户输入
「我想退货」"] --> A["① 分词
我 / 想 / 退货"]
    A --> B["② 词性标注
代词 / 动词 / 动词"]
    B --> C["③ 命名实体识别
商品名? 订单号?"]
    C --> D["④ 意图分类
咨询 or 投诉"]
    D --> E["⑤ 知识库匹配
返回预设答案"]

    A -.错了.-> X["后面全错"]
    B -.错了.-> X
    C -.错了.-> X

    style X fill:#fce8e6

1.1.1 光是分词就一堆坑

中文不像英文有空格天然分隔，「南京市长江大桥」到底是「南京市 / 长江大桥」还是「南京 / 市长 / 江大桥」？

这种歧义靠规则解决不了，必须有专门的分词模型来判断。而分词模型本身依赖大量人工标注语料，遇到训练时没见过的新词就懵了——这就是著名的 OOV（Out-of-Vocabulary，未登录词）问题。

1.1.2 三个致命问题

问题	表现
误差累积传导	分词错 → 词性标注错 → 实体识别错 → 意图分类错，且事后无法补救
标注成本高	每一步都要自己的训练数据和标注规范
迁移成本高	换个领域（客服→医疗）几乎所有模型都得重训

医疗领域的「实体」（药名、症状、检查项目）和电商领域的「实体」（商品、订单、品牌）完全不是一回事，原来训好的模型用不上。一个公司想做几个不同领域的 NLP 应用，等于要养几套独立的模型团队。

整个行业被困在一个死循环里：任务越细分，模型越多；模型越多，标注成本越高；标注越贵，迁移越难。

1.2 BERT 时代：预训练通了一半

2018 年 Google 推出 BERT，出现第一次大转折。核心创新是预训练 + 微调两阶段范式。

1.2.1 预训练做了什么

在海量无标注文本（维基百科 + 图书，约 33 亿词）上做两个任务：

任务	做什么
MLM（Masked Language Model）	随机遮掉句子里 15% 的词，让模型根据上下文猜被遮的是什么
NSP（Next Sentence Prediction）	给两个句子，判断它们是不是连续的

关键在于这两个任务都不需要人工标注，纯靠原始文本就能训练，所以能用海量数据。

预训练后 BERT 学到了通用的语言表示能力。下游任务只需接一个小「任务头」，用少量标注数据微调，就能拿到很好效果——这一招把各项 NLP 任务的 SOTA 刷了个遍。

1.2.2 但它走到一半就停了

BERT 解决了「特征通用」（一个 BERT 服务多个下游任务），但没解决「任务统一」（不同任务还是要不同的微调副本）。原因有两个：

一方面，BERT 的输出是「表示」，不是「文本」。

它每层输出的是每个 token 的向量表示。做分类要接分类头（全连接 + softmax），做命名实体识别要接序列标注头，做问答要接抽取式 QA 头。每种任务都需要单独设计的头、单独标注的数据、单独训练的过程。一个 BERT 在公司里可能派生出十几个微调副本。

另一方面，BERT 不擅长生成。

它的预训练目标 MLM 是「填空题」，每次只猜一个被遮的词，没学过怎么连续生成长文本。所以 BERT 几乎不用来做翻译、写作、对话。这块得交给另一条路线（GPT-2、T5）。

BERT 把「理解」做到极致，「生成」是它的短板。它证明了「预训练 + 大规模无标注数据」这条路是对的，但还没把所有任务收归到同一个接口下。

1.3 LLM 的本质：把所有任务收编成「预测下一个 token」

1.3.1 训练目标简单得出奇

这个目标叫 CLM（Causal Language Modeling，因果语言模型）：给一段文本，模型从左到右一个字一个字往后猜。

训练数据是「我喜欢吃苹果」，模型要学会：

看到「我」        → 预测「喜」
看到「我喜」      → 预测「欢」
看到「我喜欢」    → 预测「吃」
看到「我喜欢吃」  → 预测「苹」

这种方式叫自回归（Autoregressive）：下一步的预测依赖上一步的输出。GPT、Claude、Qwen、DeepSeek 这些主流模型，本质都是「自回归 + 因果掩码」的语言模型。

设预测目标是最大化训练语料的对数似然：

$$ \mathcal{L} = -\sum_{t=1}^{T} \log P(x_t \mid x_1, x_2, \ldots, x_{t-1}; \theta) $$

其中 $x_t$ 是第 $t$ 个 token，$\theta$ 是模型参数。整个训练过程就是让这个损失变小。

1.3.2 威力在于「Prompt + 续写」统一了所有任务

任务	Prompt 写法	模型续写出
翻译	`把下面这句翻译成英文：我喜欢你 ->`	`I like you`
分类	`下面这条评论是正面还是负面？「这家店太黑了」-> 答：`	`负面`
总结	`请用一句话总结：xxxxxx -> 总结：`	一句话总结
写代码	`写一个返回斐波那契前 N 项的 Python 函数 -> def`	完整代码

所有任务都被「Prompt + 续写」这个统一接口收编了。 你不需要为每个任务训不同的模型，只需要在 Prompt 里换个说法。

1.3.3 为什么这么简单的目标能学到这么多

关键是规模 + 数据两个杠杆。

数据的杠杆：CLM 不需要任何人工标注，互联网上所有文本天然都是合格训练数据。

模型	训练数据量
BERT（2018）	约 33 亿词
GPT-3（2020）	约 3000 亿 token
Llama 3（2024）	超过 15 万亿 token

模型的杠杆：参数量从 BERT 的 0.3B 堆到 GPT-3 的 175B，再到后来更大的闭源模型。

注意：GPT-4 这类模型的具体参数量官方从未公开，外界只有估计。面试里别把「万亿级」当成确定事实来讲，更稳的说法是「模型规模、数据和算力一起放大后，预测下一个 token 这件事被推向了新境界」。

深层原因是：要在不同上下文里准确预测，模型就必须学到语法、事实和推理模式。

要预测「北京是中国的____」，模型必须知道「北京是首都」这个事实；
要预测「如果 $x=2$，那么 $x^2=$____」，模型必须会算数；
要预测一段代码的下一行，模型必须理解编程逻辑。

所有这些能力，都被这个看似简单的目标逼着学会了。

1.3.4 一个让人惊讶的副产物：In-Context Learning

在 Prompt 里给几个例子，模型就能学会新任务，不需要更新任何参数：

苹果 -> apple
香蕉 -> banana
草莓 -> strawberry
橘子 ->

模型直接输出 orange。它从几个例子里推出了「中译英水果名」这个模式，然后应用到新输入上。

这种能力是 GPT-3 之后才被业界发现的，也是 Prompt Engineering 这门工程学科诞生的基础。

1.4 涌现能力：量变到质变

1.4.1 定义与一个保留意见

常见定义是：某项能力在小模型上几乎看不到，规模到了某个临界点之后突然表现出来。

但这里要留一个保留意见：有研究认为，一部分「突然出现」可能来自评测指标的离散性——比如 exact match 这种非黑即白的指标，会把连续的提升看成突变。换成更细的部分得分指标，曲线可能平滑得多。

面试里可以说：「涌现是工程上能观察到的能力跃迁，但学术上对它是不是测量假象还有争议。」这个表述比断言「就是涌现」更稳。

1.4.2 三个经典例子

flowchart LR
    subgraph EX["多步算术准确率（5 步应用题）"]
        A["8B 以下
≈ 0%"] --> B["62B
约 5%"]
        B --> C["540B
约 60%"]
    end

    style A fill:#fce8e6
    style C fill:#e6f4ea

能力	小模型	临界点	大模型
多步算术	8B 以下几乎 0%	数百 B	540B 约 60%
In-Context Learning	GPT-2（1.5B）看不到	约 100B	GPT-3（175B）接近专门微调的小模型
跨语言迁移	—	—	GPT-3 训练语料 92% 是英文，却能处理中日阿拉伯语甚至冰岛语

跨语言这个尤其反直觉：模型从来没被显式教过「中文怎么说」，它通过大规模多语言混合语料的预训练，自己学会了不同语言之间的对应关系。

1.4.3 为什么会涌现：Scaling Law

业界给出的工程经验叫 Scaling Law（缩放定律）：模型规模、训练数据量、训练算力三者存在可预测的关系——按一定比例同时放大，损失值会沿一条幂律曲线下降。

OpenAI 在 2020 年提出这条经验律，DeepMind 后来在 Chinchilla 论文里给出了更精细的比例：参数和数据大致按 1:20 配（70B 参数最好配约 1.4T token）。

（这部分在第七章详细展开。）

1.4.4 涌现不等于「越大越好」

近几年研究发现，超过某个规模后单纯堆参数的边际收益在递减。

现在的趋势是：参数不一定要最大，但数据要够多、算力要够花。Llama 3 的 8B 模型用 15 万亿 token 训出来，效果反而比早期的 GPT-3 175B 还好——这就是数据规模超过参数规模带来的回报。

1.5 三个本质区别

维度	传统 NLP	LLM
任务方式	一任务一模型，pipeline 串联	一个模型干所有事，Prompt 统一接口
输出范式	判别式（输出标签 / 概率）	生成式（输出文本）
能力来源	显式监督训练（喂什么学什么）	大规模预训练 + 涌现（学到没教过的能力）

这三行分别从工程层面、范式层面、能力层面刻画同一个变化的不同侧面。

1.5.1 工程层面：从拼装积木到统一系统

	传统 NLP	LLM
团队结构	N 个小模型组各管一摊	一个大模型组统一服务全公司
部署成本	N 个模型同时上线各占资源	一个模型挂上线多场景复用
维护方式	每个小模型各自迭代版本	所有应用跟着 base model 升级走

1.5.2 范式层面：从分类器思维到生成器思维

	传统 NLP	LLM
用户交互	在屏幕上点选项	打字跟模型聊
产品思考	如何穷举所有用户意图	如何写好 Prompt
评估指标	准确率 / 召回率	LLM-as-Judge 评分 / 用户满意度

1.5.3 能力层面：可以做「人没明确教过」的任务

这是最关键的突破。

过去想让模型多一项能力，必须为这项能力标注新数据；现在只需要在 Prompt 里描述新需求，模型就有概率能直接做。

模型的能力上限不再被人工标注规模锁死。 这在 NLP 历史上是前所未有的，也是 LLM 真正颠覆性的地方。

1.6 这场转变对工程团队意味着什么

这不是「又出了一个新模型」，而是整个 NLP 领域的工作方式被重写了。

	过去做一个 NLP 项目	现在做一个 LLM 项目
第一件事	数据怎么标	Prompt 怎么写
第二件事	选哪个 BERT 变体	需不需要 RAG 加外部知识
第三件事	微调怎么调超参	要不要做 LoRA 微调

核心技能也换了一批：

过去：词法分析、句法分析、特征工程、模型调参
现在：Prompt Engineering、RAG 系统设计、Agent 编排、对齐微调

工程的着力点完全变了：先想 Prompt，再想数据，最后才考虑微调。

理解了这一点，再看 RAG、Agent、Prompt 工程这些话题，会发现它们都不是凭空出现的，而是「一个模型干所有事 + 生成式 + 涌现」这三个特征延伸出来的工程实践。底层范式变了，上面的工具链当然也要跟着重写一遍。

1.7 常见错误

1.7.1 只说「LLM 参数更多、数据更大」

这是量的描述，不是本质。本质是任务范式的统一：所有任务被「Prompt + 续写」这一个接口收编，不再一任务一模型。

1.7.2 把 BERT 和 LLM 说成同一类

BERT 是判别式的，输出向量表示，需要接任务头、需要为每个任务保留一个微调副本，而且不擅长生成。它只做到了「特征通用」，没做到「任务统一」。

1.7.3 断言 GPT-4 的参数量

官方从未公开。说「万亿参数」是把传闻当事实。

1.7.4 把涌现说成板上钉钉的现象

要提到学术界对「是不是评测指标离散性造成的假象」有争议。能说出这一点，说明你读过原始文献而不只是二手总结。

1.7.5 认为「模型越大越好」

Chinchilla 之后的共识是参数和数据要配比（约 1:20）。Llama 3 的 8B 用 15T token 训出来超过 GPT-3 175B，就是最直接的反例。

1.7.6 忽略 In-Context Learning 的意义

它是 Prompt Engineering 存在的前提——不更新参数就能学会新任务，这在传统 NLP 里是不可想象的。

1.8 本章总结

传统 NLP 是 pipeline，误差累积传导、标注成本高、迁移几乎要重训，整个行业被困在死循环里；
BERT 用预训练打破了标注瓶颈，但只做到「特征通用」，没做到「任务统一」，且不擅长生成；
LLM 的本质是把所有任务收编成「预测下一个 token」，用 Prompt + 续写作为统一接口；
威力来自规模与数据两个杠杆：CLM 不需标注，互联网文本天然可用，数据量比 BERT 时代翻了几千倍；
要准确预测就必须学会语法、事实和推理——能力是被这个简单目标逼出来的；
In-Context Learning 是关键副产物，不更新参数就能学新任务，是 Prompt 工程的基础；
涌现是可观察的能力跃迁，但学术上对它是否为测量假象仍有争议；
三个本质区别：任务方式（一模型干所有事）、输出范式（生成式）、能力来源（预训练 + 涌现）；
能力上限不再被标注规模锁死，这是最具颠覆性的一点。