生活分享

基礎模型（Foundation Model）是什麼

基礎模型指在廣泛資料上訓練、能調適到多種下游任務的模型，重點不只是參數很多，也不等於完整聊天產品。本文從 Stanford CRFM 的用法出發，以社區服務信箱的分類、摘要與搜尋為例，說明共用模型如何成為不同應用的起點，整理它與大型語言模型、生成式 AI 和開放權重的差別。讀完能辨認模型能力、應用調適與實際部署之間的界線。

更新日期: 閱讀時間約 7 分鐘

寬大的共同基座上立著三種不同形狀的結構，象徵同一基礎能力支援不同應用。
圖片：Mokaair (© Mokaair)

基礎模型是經過廣泛資料訓練，可以再調適到多種下游任務的模型。這裡採用 Stanford CRFM 報告提出的用法：它之所以「基礎」，是因為能成為許多應用的共同起點，而不是因為初學者容易使用，也不表示它本身已經是完整可靠的產品。規模常是背景之一，但不能只看數量來定義。

一個社區服務平臺可能想把來信分類、整理摘要，並搜尋相似的歷史問題。這些功能可以利用同一個基礎模型家族，再配合不同資料與工作流程。以下以這個原創情境解釋共用能力如何被調適，資料查證截至 2026 年 9 月 14 日。

從單一任務轉向可調適的起點

Stanford CRFM 將基礎模型描述為從廣泛資料訓練，能調適於許多下游任務的模型，並討論這種共用基礎帶來的機會與風險。過去一個模型可能專門辨識某類影像，另一個專門做文字分類；基礎模型的思路是先學到可重用的能力，再因任務需求進行不同調整。

這不代表任何模型都能做好所有工作，也不代表所有下游功能都共享同一個介面。語言、影像與跨模態模型可以有不同輸入輸出；某些模型擅長提供表示，另一些擅長生成序列。把它們稱為基礎模型，重點在於訓練背景與可調適角色，而不是一份固定的功能清單。

Google 的模型官方文件提供了通用模型可供應用調適的具體例子，但不能由某個系列反推所有基礎模型都有相同授權、部署方式或硬體需求。讀模型說明時，要把能力、取得方式和應用責任分開；下載模型或呼叫 API，只取得了系統的一部分。

同一基礎可以長出不同應用

社區信箱示例的第一個任務是把來信分成裝置、環境與活動等工作類別。輸入是住戶描述，輸出是指定類別與需要補充的資訊。第二個任務是將長來信摘要成管理員可快速閱讀的重點。第三個任務是找出相似歷史案件，讓管理員參考處理方式。

這些任務雖然都處理文字，驗收卻不同。分類要看類別是否符合實際工作分工，摘要要保留否定與時序，搜尋要看找到的案例是否有用。使用共同模型可以減少從零訓練的工作，但每個功能仍需各自的資料、提示、工具和測試，不能以分類表現良好就宣稱摘要也已可靠。

原創輸入「電梯今天已恢復，但昨天的異常聲音仍希望檢查」應被理解為仍有檢查需求，摘要不能只保留「電梯已恢復」。若分類正確而摘要漏掉未決事項，應檢查摘要任務設定；不一定要把整個基礎模型更換，也不代表分類功能同時失敗。

同一基礎模型分別接到分類、摘要和搜尋功能，每個功能都有自己的任務資料與驗收，而不是一次評測涵蓋全部。
共用底層能力，不代表下游任務的正確性可以互相代替。 · 圖片：Mokaair (© Mokaair)

調適不只有重新訓練

調適可以是提供明確提示詞和示例，讓模型依當次任務工作；也可以加入檢索，把適用的規章與歷史案件放入上下文。另一些方法會透過微調改變部分或全部模型參數。這些方式在成本、資料需求與維護上不同，應依問題選擇，而不是一律先準備重新訓練。

對社區信箱，如果工作類別名稱不清楚，先整理標籤定義與例子，可能比微調更必要。若問題是模型不知道最新管理流程，取得現行檔案並提供給它，可能比期待舊參數自行記得更新更直接。只有明確瞭解缺口，才能判斷哪種調適方式能對應原因。

調適後的模型或應用也可能有退步。新增裝置分類示例，可能讓某些活動裝置借用被誤分到維修。每次更新都應保留舊有重要案例，再增加新的失敗情境。通用基礎帶來便利，但不會免除任務之間的取捨與回歸測試。

共用基礎也會共用盲點

如果多個應用依賴相同模型，它們可能共同繼承資料偏差、能力缺口或某些失敗模式。這是基礎模型帶來系統性影響的原因之一：底層更新可以同時改善許多功能，也可能同時改變多個產品行為。不能只把每個應用看成彼此獨立的小工具。

在示例裡，住戶使用地方口語或簡短片語時，分類、摘要與搜尋可能都出現偏差。這不一定表示需要換成更大模型，也可能需要更多適用語言的測試、較好的提示與例外處理。診斷時先檢視相同輸入在哪些功能一起失敗，能幫助辨識共同來源。

來源和版本因此很重要。平臺應知道使用哪個基礎模型、搭配哪些調適資料及設定，並保留更新前的檢查結果。若服務供應商或本機模型版本改變，要重新確認重要用途。模型名字相同或同屬一個系列，不能單獨證明行為完全不變。

和 LLM、生成式 AI、開放權重怎麼分

大型語言模型主要按語言建模與規模描述；基礎模型強調廣泛訓練後可供多種任務調適。許多 LLM 同時是基礎模型，但基礎模型也可以涵蓋影像與其他模態。 則按產生內容的能力分類，因此不能把這些名詞當成完全相同的名稱。

開放權重描述模型權重是否可取得，以及相關使用條件，和是否為基礎模型是不同問題。某個基礎模型可能只透過服務存取，也可能提供權重；提供權重也不等於所有訓練資料、程式與授權都相同。瞭解這些邊界，才能避免從「開放」一詞推論未查證的權利與能力。

一般使用者最需要問的是：這個共同基礎被拿來做哪項任務，為那項任務補了什麼資料與驗證，失敗時誰能處理？當這些答案清楚，基礎模型就不是抽象的大型黑盒名詞，而是一個可追溯的技術起點。真正交付給人的功能，仍需由應用設計與證據完成。

以不同角度理解相關術語（2026 年 9 月查證）
名詞強調的問題不能因此推論
基礎模型可調適於多種下游任務所有應用都已驗證
大型語言模型大規模語言建模只可能用來聊天
開放權重權重取得與使用條件訓練資料與所有權利都開放

同主題延伸閱讀

  • 生活分享

    世界模型（World Model）是什麼：讓 AI 預測「接下來會怎樣」

    世界模型指 AI 內部用來預測「這樣做之後會怎樣」的模型，但這個詞至少有三種用法：強化學習代理在想像中練習用的環境模型、LeCun 主張預測抽象表示的架構路線，以及能隨操作即時生成畫面的互動環境。內容用示例說明怎麼在想像中規劃，並列出大型語言模型有沒有世界模型的正反研究，附讀新聞時的檢查問題。

  • 生活分享

    視覺語言模型（VLM）是什麼：讓 AI 讀圖片、再用文字回答

    視覺語言模型（VLM）能同時接收圖片與文字，再用文字回答。內容拆解視覺編碼器、連接層與語言模型三段結構，說明 CLIP、Flamingo、LLaVA 三篇論文各補上哪一塊，並和多模態 AI、文字生圖分清楚；也整理它常犯的錯：數錯數量、搞混位置、說出圖裡沒有的東西，附上讀收據時逐行核對的步驟。

  • 生活分享

    溫度（Temperature）是什麼：AI 回答變化程度的取樣參數

    溫度（temperature）是文字生成時調整取樣的參數，讓模型從下一個 token 的機率分布裡抽得更集中或更分散。用假想的台南早餐示例算出低溫與高溫的差別，說明 top-p 的來源和它與 top-k 的差別，並依官方文件與論文指出：調低溫度不代表更準，設成 0 也不保證每次相同，部分模型還不開放調整。

  • 生活分享

    合成資料（Synthetic Data）是什麼：兩種用途、品質控管與模型崩潰

    合成資料是由演算法或模型產生、模仿真實資料特徵的資料，常見用途有兩種：訓練模型，以及在隱私需求下替代真資料。內容依 Self-Instruct、模型崩潰研究（替換與累積資料的差別）與 NIST、ICO 的隱私文件，說明做法、抽查流程，以及它不能保證的事。

引用本文的文章

最新旅遊情報攻略

資料來源

生活分享