前一章把 AI 系統拆成資料、模型 (Model) 與服務。接著先認清其中一個常見部件：我們說「聊天產品背後有一個 LLM」時，這個 LLM 到底是什麼？它為什麼可以接文字、做摘要，也能用來回答問題？

這章先看它的工作與位置。只需知道模型是接收輸入、計算輸出的系統；內部數值怎麼運算，留到後面的章節。

先從「這段文字接下來可能是什麼」開始

看這段還沒寫完的提醒：「今天下雨，出門記得帶」。接下來可能是「傘」，也可能接出其他內容。

語言模型 (Language Model, LM) 學習文字之間的規律，用來估計一段文字中，哪些內容比較可能出現。常見的生成式語言模型會根據已有文字，一步一步產生後面的內容。

模型不是先看到整份標準答案，再把它搬到畫面上。它使用訓練 (Training) 時調整好的內部數值，處理本次輸入並計算後續內容。這些數值不是人逐句寫好的「問題與答案清單」。

這是常見生成式模型的入門路線；語言模型也有預測文字中被遮住內容等其他形式，不是全部都以相同方式向後接文字。

接文字，怎麼變成摘要或回答？

文字不只有文章正文，也可以包含要求、範例或問題。對已具備相應能力的模型，把這些內容一起交給它，生成的文字就可能成為不同任務的結果。

沿用同一份材料：「今天下雨，出門記得帶傘。」

任務變了，但都可以透過「提供文字 → 生成文字」完成。 這不表示模型只要會接一句話，就自然能把每個任務做好。訓練材料、訓練目標與後續調整會影響它的能力，結果仍需檢查。

也不是所有處理文字的模型都是語言模型。例如，一個只把信件分成「垃圾信／正常信」的分類模型 (Classification Model)，不一定在預測文字如何接續。反過來，LLM 也可以被用來做分類；任務名稱與模型種類是兩件事。

LLM 的「大」，大在哪裡？

大型語言模型 (Large Language Model, LLM) 是規模很大的語言模型。現代 LLM 通常使用深度學習 (Deep Learning)，也就是用多層神經網路 (Neural Network) 建立計算；它是 AI 中的一類模型，不是 AI 的全部。

最常用來描述模型規模的，是參數 (Parameter) 的數量。參數就是放在模型計算裡、可以透過訓練調整的數值。模型中有多少個這樣的數值，和一篇回答寫幾個字，是不同的量。

例如在參數數量的標示中，B 是 billion（十億）：7B 表示約 70 億個參數，70B 表示約 700 億個。這是數量的讀法，不是模型能力的分數，也不是參數值本身。

「大型」沒有一個所有情境通用的固定門檻。參數規模是常見指標；大量資料與計算也是建立這類模型的重要條件，不能把三種規模當成同一個數字。

更多參數代表要保存更多數值；使用相同數值儲存格式時，權重 (Weight) 所需空間會增加。但更大不保證每一個任務都更好：資料品質、計算結構、訓練方式與任務需求都會影響表現。先知道這些量各指什麼，再談具體模型的取捨。

聊天產品，還多了哪些部分？

使用 ChatGPT、Gemini 或 Claude 的聊天介面時，你接觸的是一個產品。背後的語言模型負責計算輸出；產品程式還要接收訊息、整理要交給模型的內容，並把回應顯示出來。這些名稱有時也用於模型系列，討論時要辨認是在談產品，還是某個模型版本。

例如使用者只問「出門要準備什麼？」時，產品程式可以把一份已選好的提醒也加入輸入。模型收到的便是「提醒加上問題」，不只畫面上那一句問話。

產品也可能加入對話紀錄、文件或工具結果。哪些資料被提供、哪些外部動作由程式執行，需要看實際產品安排，不能只由回應文字猜測。

這裡先分清兩層：模型用收到的內容計算；產品決定如何取得、提供與呈現這些內容。 使用時的計算稱為推論 (Inference)。更換本次提供的材料，和重新訓練、更新模型參數不同。

接下來：這個模型怎麼做出來？

現在可以把整體位置接起來：LLM 是一類語言模型，常見生成式 LLM 根據收到的文字產生後續文字；聊天產品把這個計算部件和其他程式組合成可使用的服務。

接著讀〈大量文字，怎麼變成一個可以使用的 LLM？〉，看資料、訓練與程式如何留下可保存、可載入的模型。若要追一次回答的內部流程，讀〈我傳一句話給 AI，到底發生了什麼？〉。

參考：Google 語言模型與 LLM 詞彙定義、Google 參數定義、Hugging Face 語言任務與 LLM、Hugging Face 語言模型的訓練與使用（2026-10-04 查核）。