要分清大模型和以前的程序，看一个点就够：里面的规律是人写进去的，还是它自己从数据里读出来的。

传统程序是把规则写死的。比如算个税、判断一个单号合不合规，流程是人一条条设计好的，输入什么、走哪一步、输出什么，都事先定下来。它能干什么，取决于写代码的人想到了多少种情况，碰到没覆盖的输入，它要么报错要么给个默认值。

大模型不是这个路子。训练的时候没有人告诉它「主语后面接谓语」这种规则，它做的事是拿大量文本去猜下一个词，猜偏了就调参数，反复很多遍，文本里的用词习惯和事实搭配就被压进了那堆参数里。它给出的答案不是查出来的，是按概率一个词一个词生成出来的。

「大」落在三处：参数多、喂进去的文本多、训练时用的算力多。三者一起把它的表达能力和覆盖面撑起来，这也是它跟老一代模型的差别所在，不是某一点变大，是整体量级上去了。

补一句边界：这个判断在「要不要核事实」这件事上就不太管用。它语言上通顺，不代表事实正确，写死的程序反而不会编。所以拿它做草稿可以，拿它当数据源就得留个心。

几个误会，踩过的人不少。

一个是把它当数据库。问它某个数字、某个日期、某个文件编号，答得又快又像样，就以为它在里面查过。它没查，它是照着见过的文本往下顺，顺出来的东西看着合理而已。

再一个是以为它记得。这次告诉它我的情况，下次开个新对话它又从头问起。它不会因为跟你聊过一次就把这事存下来，会话一关，前面说的基本就没了。

还有个特别常见的：觉得问得越客气、铺垫越多，答得就越准。礼貌不影响的，它不看你态度好不好，看的是你给了多少有效信息。与其写「麻烦您帮我认真分析一下」，不如把条件一条条列清楚。

也有人反过来，一个字一个字地挤牙膏。它拿不到上下文，只能猜，猜错几轮你自己更烦。

提醒一句：它答得流畅和它答得对，是两码事，尤其是数字、时效、地域这类，自己再核一遍。

第一次被它唬住，是去年秋天。我想查一台老型号打印机的耗材编号，自己找了一圈没找到，就问了 AI。

它答得特别像回事。编号给了，还告诉我这个型号分两个批次，耗材不一样，让我拆开看机身上的哪个位置。整段话条理清楚，连「如果标签磨掉了可以看铭牌」这种细节都写上了。我当时就信了。

拿着这个编号去搜，越搜越不对劲，官方页面里根本没有这个编号，机型分批次的说法也对不上。后来问做维修的朋友，他说那台机器压根就一个版本。它把好几件事拼在了一起。

那天我坐在那儿愣了一会儿，不是因为它错，是因为它错得太顺了。以前接触的程序出错会报错、会卡住，你能感觉到有东西不对；它是把一段编好的话递给你，语气跟它对的时候一模一样。

从那儿以后我改了个习惯：凡是它给的、我没法一眼判断对错的具体信息，一律当成线索，不当成答案。用它的地方也变了，想思路、列提纲、把话润一润这些还好，查具体事实我不太敢直接抄。

判断就一句：它说得越笃定，你越要想一想这话它是从哪儿来的。

说大模型「大」，常见的解释有三条：参数多、训练时喂的文本多、训练时用的算力多。这三条都对，翻来覆去讲的也是它们。

但从日常用起来的角度，还有一个没怎么被提的变量：上下文窗口。说白了，就是它一次能「看见」多少内容。

这个窗口是有上限的。你跟它聊得越长，前面的内容就越容易掉出这个窗口。表现是它忽然忘了你三句话之前定下的说法，或者你贴了一份长材料进去，它只答了后半截。很多人以为是它变笨了，其实是超了。

它管的就是一次对话里能塞多少东西。想让它在长材料上干活，办法通常是拆开分段喂，每段让它先出一段小结，再拿小结去问下一个问题。这条比参数多少更能决定你手头这件事顺不顺。

所以「大」有两层：一层是训练时候的家底，参数和数据那些；另一层是干活时候能一次装下多少，就是上下文窗口。前者你感受不到，后者天天能撞上。

多数人对大模型的理解是这样的：它读了很多书，所以它记住了书里的内容，你问它它就翻出来告诉你。

实际更像另一回事。它在训练里做的事，是看海量文本，记住词和词、句子和句子之间怎么连着。什么词后面容易跟什么词，什么话题常常和什么话题一起出现，这些东西被打散了存进参数里。它拿到的是一个「搭配和走向」的分布，不是一本本原文。

差别在哪？

你让它复述某段原文，它拼得出来，但拼出来的和原文不一定一样，因为它本来就不是从原文里取，是按记下的走向重新生成一遍。你问它一件事是不是真的，它没法像查库那样给你一个「有」或「没有」，它只能照见过的文本里这类说法长什么样，写一段最像的。

这就解释了为什么它讲常识稳、碰到生僻细节容易出岔子。常见的东西它见过的次数多，走向被打磨得准；冷门的东西次数少，走向就糊，只能靠语言习惯硬凑一段。

所以别把「它答得出来」等同于「它那儿有」。它那儿没有原文，只有一片关于语言该怎么走的记忆。