解析:
LLM 的幻覺是指模型生成的內容在表面上看起來流暢合理,但實際上包含事實性錯誤或虛構的資訊。這是因為 LLM 本質上是基於機率生成文字,而非真正「理解」事實。
大型語言模型(LLM)是透過海量文本資料訓練的深度學習模型,具備理解與生成自然語言的能力,參數量通常達數十億至數兆規模。|本頁含完整原理、應用場景、iPAS 考試重點與 2 個常見問答。
搜尋意圖: 如果你在找「大型語言模型 是什麼」、「大型語言模型 會怎麼考」或「大型語言模型 和相近概念差在哪」,先看這頁的定義、考點定位與延伸比較。
TL;DR: 大型語言模型(LLM)是透過海量文本資料訓練的深度學習模型,具備理解與生成自然語言的能力,參數量通常達數十億至數兆規模。
實用情境: 適合用在 iPAS 複習、面試快查與閱讀 AI 文章時快速校正概念邊界。
下一步: 先讀完定義,再往下看範例考題與延伸比較,把概念轉成可作答的判斷。
大型語言模型(LLM)是透過海量文本資料訓練的深度學習模型,具備理解與生成自然語言的能力,參數量通常達數十億至數兆規模。
大型語言模型(Large Language Model, LLM)是指參數量達到數十億(Billion)以上的語言模型。這類模型以 Transformer 架構為基礎,透過在網際網路規模的文本語料上進行預訓練(Pre-training),學習語言的統計規律和知識。代表性的 LLM 包括 OpenAI 的 GPT-4、Google 的 Gemini、Anthropic 的 Claude、Meta 的 LLaMA 等。LLM 展現了「湧現能力」(Emergent Abilities),即在模型規模超過特定閾值後,突然獲得訓練時未明確教導的能力,如邏輯推理、程式撰寫和多步驟問題解決。
大型語言模型 屬於 高頻 範圍,建議和相關概念一起複習,而不是只背單一名詞定義。
常見一起複習的方向包含:LLM 基本概念與特性、主流 LLM 比較、應用場景與限制。
「大」主要指模型的參數量。早期語言模型參數量在數百萬等級,而 LLM 的參數量從數十億到數兆不等。參數量越大,模型能學習的語言模式越複雜,但訓練和推論的算力需求也越高。
會。LLM 可能產生看似合理但實際錯誤的內容,這種現象稱為「幻覺」(Hallucination)。LLM 本質是根據統計機率生成文字,並非真正「理解」事實,因此使用時應搭配事實查核機制。
LLM 的「幻覺」(Hallucination)現象指的是什麼?
解析:
LLM 的幻覺是指模型生成的內容在表面上看起來流暢合理,但實際上包含事實性錯誤或虛構的資訊。這是因為 LLM 本質上是基於機率生成文字,而非真正「理解」事實。
下列哪項最能描述 LLM 的「湧現能力」(Emergent Abilities)?
解析:
湧現能力是指當模型的參數量超過某個臨界點時,會突然展現出訓練過程中未被明確教導的能力,例如邏輯推理、多步驟問題解決等。這是 LLM 研究中的重要發現。
想測試你對 大型語言模型 的掌握程度? 開始模擬考