你有沒有看過一個模型先在超大資料上學很多，再拿去做很多不同任務？
你可以把基礎模型想成打底很厚的通用模型，先學到廣泛能力，再依需求微調成不同用途。
它重要，是因為這種模型能把一次訓練的能力，快速延伸到很多下游工作，省掉很多重做成本。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
基礎模型 vs 傳統AI模型 傳統模型常為單一任務設計。 基礎模型先學通用能力，再適配不同任務。
基礎模型 vs 大型語言模型 大型語言模型是基礎模型的常見例子。 但基礎模型不只限於文字，也可以涵蓋影像和多模態。
記住這句就好
先學通用底子，再拿去改成不同用途，就是基礎模型。
實際案例
客服和摘要共用底座 同一個大型基礎模型，先做摘要再做客服回覆，只要調整任務層就能延伸。
企業知識助理 先用通用模型打底，再針對公司文件微調，會比從零開始快很多。
算法與應用
它通常靠大規模預訓練學到一般性的表示能力，再透過提示或微調進入特定任務。 在文字、影像和多模態領域，基礎模型都已經成為很常見的起點。
情境判斷
Q1： 如果一個模型能做很多任務，通常可以說它很像基礎模型嗎？
可以，但前提是它真的有通用預訓練底座，不只是臨時拼出多功能。
Q2： 只要模型很大，就一定是基礎模型嗎？
不一定，大小不是唯一標準，能不能當通用底座才是關鍵。
常見問題
基礎模型一定要超大嗎？
不一定，但通常要有足夠廣泛的預訓練能力。
它和微調的關係是什麼？
基礎模型是底座，微調是把底座改成特定任務版本。
和少樣本學習有關嗎？
有關，好的基礎模型常能用少量範例快速適應新任務。
基礎模型只存在於語言領域嗎？
不是，影像與多模態也都有。