居然这么久才看到回复我的未读提示，严重感谢大王，你一定仔细研究过。

你说得没错，但偏重于处理过程的描述。我更像从稍微再技术点的角度帮着答疑一下。

我理解大模型就是先基于大量培训语料，抽象建立各个词元在超大（N）维空间中的各自坐标（向量值），然后再基于新的输入，通过不断计算和预测已有词元的下一个词元来实现答案的内容生成。

但我的问题是，transformer这个模型本身的能力背后的原理或逻辑对吗？我理解应该有上限。不说输入被污染导致虚幻这类事情，但毕竟社会是发展的，肯定有新的内容出现啊，无法全部从过去经验中得来，这跟模型本身的原理是否相冲突...


【 在 Barbarossa 的大作中提到: 】
: 没有天花板，大模型在不断演化，三天一小变，五天一大半。
: 大模型相当于把你的脑容量提高一亿倍，算力提高一亿亿倍。
: transformer原理非常简单，就是用来理解上下文含义的。具体工作原理如下，首先你输入文本，文本变成词元token，这一步只要查表就行。接下来词元变成词向量，这个向量其实大模型训练前都是随机数字，训练后，每个词向量包含了和它词意有关的词的信息，比如吃苹果，看苹果手机，苹果这个词元和上下文手机一块，就能识别这是应该是电子产品，和吃一块就能准确判断是食物。为什么这么神奇能？大语言模型训练的结果，喂了数十万亿互联网数据，就能准确知道他们的关系。因此，词向量本身里面包含了人类有史以来所有知识信息，这个信息量差不多三十万亿词元。
: ...................
--
FROM 223.160.131.*