预训练模型是什么?基础模型原理与应用

预训练模型的定义

预训练模型 = 用海量数据"预先训练"好的通用AI模型,可以直接使用或针对特定任务微调。

通俗比喻:像一个读了所有书的"通才"——虽然不是每个领域的专家,但什么都懂一些。需要做特定工作时,只需要稍加指导(微调/提示词)就能胜任。

相关概念:

• 预训练模型(Pretrained Model):侧重训练方法——先预训练再使用
• 基础模型(Foundation Model):侧重角色定位——作为各种应用的"基础"
• 大模型:侧重规模——参数量巨大的预训练模型

三者指的基本是同一类模型,只是强调的角度不同。

预训练的工作原理

预训练模型的使用方式

选择建议:通用任务→直接调API;需要专业知识→RAG;需要特定风格/格式→微调。

主流预训练模型/基础模型

预训练模型为什么重要?

怎么调用预训练模型?

通过 AI的那些事儿,一个接口即可调用所有主流基础模型:

• 国内直连:境内骨干节点,无需代理,延迟低至 50ms。
• 统一接口:GPT、Claude、Gemini、DeepSeek 全部用 OpenAI SDK 调用。
• 按量计费:一次充值所有模型通用,用多少付多少。
• 价格更低:比官方便宜 20%-40%。
• 无需训练:直接调用预训练好的模型,零门槛使用AI能力。

实战:调用预训练模型

1. 获取 AI的那些事儿 API Key。
2. 在代码中把 base_url 改为 https://api.example.com/v1。
3. 用 OpenAI SDK 调用,体验预训练模型的通用能力。

Python 示例:一个模型完成多种任务

from openai import OpenAI

client = OpenAI(
    api_key="你的Key",
    base_url="https://api.example.com/v1"
)

# 预训练模型的通用能力:同一个模型完成完全不同的任务
tasks = [
    ("翻译", "将'预训练模型是AI的基础设施'翻译为英文、日文、韩文"),
    ("编程", "写一个Python函数,计算两个向量的余弦相似度"),
    ("分析", "分析'先预训练再微调'这种范式为什么比从零训练更高效"),
    ("创作", "用预训练模型的视角写一段50字的自我介绍"),
]

for task_name, prompt in tasks:
    r = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": prompt}],
        max_tokens=300
    )
    print(f"\n[{task_name}]\n{r.choices[0].message.content[:200]}...")

Node.js 示例:Few-shot 学习

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: "你的Key",
  baseURL: "https://api.example.com/v1",
});

// Few-shot:给几个示例,模型就能学会新任务格式
const r = await client.chat.completions.create({
  model: "gpt-4o",
  messages: [
    { role: "system", content: "你是一个产品分类器,根据描述输出类别。" },
    { role: "user", content: "无线蓝牙耳机,降噪,续航30小时" },
    { role: "assistant", content: "数码电子 > 耳机" },
    { role: "user", content: "纯棉T恤,圆领,黑色,XL码" },
    { role: "assistant", content: "服装 > 上衣" },
    { role: "user", content: "有机燕麦片,即食,500g装" }
  ],
  temperature: 0,
});
console.log(r.choices[0].message.content); // 食品 > 谷物

常见问题

一个接口,调用所有主流基础模型

GPT-4o、Claude Opus 4、Gemini 2.5……无需训练,API直接使用。