你可能已经用过 ChatGPT、 DeepSeek、Kimi、千问、Gemini、豆包 .....
平时打开他们，输入一个问题，等它回答就行，好像也没有多复杂。
但是只要你开始看一些 AI 相关的文章和视频，就会有一些看起来很专业的名词出现：大模型、LLM、多模态、Transformer……
而且感觉它们好像都在说同一个东西，但好像又不是那么一回事
所以这一篇不讲复杂原理，不讲啥参数或者模型训练，先带你认识下这些最基础的名词
以后再看到这些名词，就能大概判断是在说的是哪一类模型、一种技术架构，还是我们日常使用的产品，就已经够够了。
先看一张关系图
这里我直接先把整体关系放出来：
AI
└── 大模型
└── LLM：主要围绕语言的一类大模型
├── 可以主要处理文字
└── 也可以拥有图片、语音等多模态能力
Transformer：许多现代大模型采用的一种技术架构
AI 产品：把一个或多个模型、工具和功能组合起来，最终交给普通人使用
这张图只是帮助第一次接触的人找到位置，不是什么严谨的学术分类，就是大概的关系逻辑
其中，AI 是最大的范围，我们现在看到的聊天、识图、语音识别、生成图片，这些技术和应用都可以放在 AI 这个大范围里。
“大模型”是中文互联网里比较宽泛的叫法，大家聊天时，经常会直接把能对话、能写作的 AI 叫作大模型，但严格来说，大模型并不只有处理语言这一种。
LLM 是 Large Language Model 的缩写，中文就是“大语言模型”，它是大模型里主要和语言打交道的一类。
而多模态和 Transformer，不能继续硬塞进这关系图中
多模态说的是模型能处理哪些信息，Transformer 说的是模型采用什么技术架构，一个在说能力范围，一个在说底层怎么搭，它们回答的不是同一个问题。
我们用的是产品
ChatGPT、豆包、DeepSeek，这三个名字可以先并列放在一起理解：它们都是普通人能够直接打开和使用的 AI 产品。
我们真正接触到的是产品的聊天框、语音按钮、图片生成功能、文件上传和联网搜索
模型更像是产品背后的能力核心，产品会把模型接进来，再搭配界面、搜索、文件、记忆和其他工具，最后变成一套可以使用的东西。
所以，产品能力和模型能力不能完全画等号。
例如你在一个产品里既能聊天，又能生成图片和视频，不一定代表这些事情全部由同一个模型完成。它可能同时接入语言模型、图片模型、视频模型和其他服务，再由产品把它们放进同一个界面。
豆包里，就分别列出了大语言模型、文生图模型、视频生成模型和音乐模型。
对普通人来说，这个区别其实挺重要。
因为我们选择一个 AI 产品时，不只是比较底层模型谁更强，它能不能直接语音聊天、能不能方便地处理图片、界面顺不顺手、常用功能全不全，这些都会决定最终体验。
所以我一直觉得，对于绝大多数普通人来说，模型能力的上限不一定要追到最高
就例如很多时候豆包就已经够用，它能被这么多人使用，除了宣传原因，产品覆盖的功能比较多，也是一个很重要的原因。
模型决定了很多能力的基础，产品则决定这些能力最后怎样来到你手里，两者有关，但不是一回事。
LLM 与多模态
现在再回头看 LLM。
LLM 就是大语言模型，重点在“语言”。聊天、写作、总结、翻译，这些事情主要都在处理和生成语言，它是一类从大量材料中学习语言规律，再根据你的输入生成内容的模型，对于普通人来说，LLM 知道这些就可以了
但是现在的 AI 产品已经不只会处理文字了。
你可以发一张照片，让它告诉你图里有什么；也可以直接和它语音聊天；有些产品还能生成图片、声音和视频。这时候经常出现的另一个词，就是“多模态”。
这里的“模态”，可以先理解成信息的形式。
- 文字是一种模态。
- 图片是一种模态。
- 语音和视频也是不同的模态。
所谓多模态，就是 AI 不再只能“读文字”，还可以同时看图片、听声音、看视频。只要一个模型能够处理两种及以上的信息形式，就可以叫多模态模型
如果一个模型会写作、翻译、总结和改标题，看起来什么都能干，但这些任务处理的仍然都是文字，它依然可能只是围绕单一模态工作。
如果它不只能接收文字，还能看懂图片、听懂语音，或者生成其他形式的内容，这才发生了模态上的变化。
多模态和 LLM 也不是二选一。
有些 LLM 主要处理文字，也有一些模型仍然以语言能力为核心，同时又能接收图片、声音等信息，这时“LLM”和“多模态”可以同时用来描述它。
一个产品拥有文字、图片和语音功能，我们可以说它提供了多模态体验，所以咱们普通人选择产品时，先看自己到底需要什么：只是聊天写作，还是经常要发图片、传文件、语音交流和生成其他内容。
像国内的豆包、千问就是属于经典的多模态，除了文字还可以处理、图片、音频、视频，而咱们熟知的 DeepSeek 在 2026 年 4 月 29 日才终于上线了识图能力，在这之前都是只能对文字进行处理。
Transformer
当你继续往 LLM 的底层看，又会遇到 Transformer，这个词直译成中文叫“变换器”。
但这个翻译对第一次接触的人基本没有帮助，你只需要先把它理解成一种模型技术架构。
2017 年，Google 的研究团队发表了一篇论文，标题叫 《Attention Is All You Need》，Transformer 就是在这篇论文中被提出的。
后来我们熟悉的许多主流 LLM，以及一部分多模态模型，都采用了 Transformer 或者在它的基础上继续发展，所以网上讲大语言模型时，经常会顺着 LLM 继续讲 Transformer、自注意力和各种计算过程，这些知识当然有用，但不是每个人都必须从这里开始。
如果你准备往算法、AI 工程或者计算机专业继续深入，Transformer 确实是一个绕不开的基础知识。
但是你只是想把 AI 当成工具，就只需知道：LLM 说的是以语言为核心的模型，Transformer 则是LLM模型采用的核心技术架构。
因为“底层知识”不等于“所有人都必须掌握的基础知识”。
如果你对 LLM 和 Transformer 的具体原理感兴趣，可以继续看这个科普视频，，如果暂时不感兴趣，也完全不影响你学习和使用 AI。
最后再来总结下这几个名词：
- 大模型是一个比较宽泛的模型类别。
- LLM 是主要处理和生成语言的一类大模型。
- 多模态描述模型或产品能处理哪些信息形式。
- Transformer 是许多现代大模型采用的技术架构。
- ChatGPT、豆包、DeepSeek，是我们日常真正打开的 AI 产品。
大概，知道它们分别在说什么就够了。
下一章，我们再继续认识一个日常出现次数更多、也会直接影响 AI 使用的词：Token。