在AI时代，大语言模型（LLM）无疑是备受瞩目的焦点，但千万别以为单靠它就能解决所有问题。伯克利的研究早已指出，即便模型再强大，复合AI系统（Compound AI Systems）才是未来更具潜力的应用模式。想要构建高质量的AI应用，不能只盯着LLM，还需要深入了解各类模型的特性与适用场景。下面就来快速梳理一下，除了LLM，还有哪些模型值得关注。

LLM——大型语言模型

先说说最熟悉的LLM。它本质上是一个基于海量文本数据训练的概率模型，核心能力是预测下一个词（或标记），从而理解和生成自然语言。工作原理主要依赖Transformer架构中的自注意力机制，这使得它能够捕捉长距离的上下文关系。应用场景非常广泛：聊天机器人、文本创作、代码生成、机器翻译，处处都有它的身影。不过也要看到，它通用性强，但偶尔会“编造”信息（也就是幻觉），而且计算成本居高不下，并非万能钥匙。

LCM——潜在一致性模型

如果你对图像生成感兴趣，那一定听说过扩散模型——效果虽好，速度却让人着急。LCM（潜在一致性模型）正是为解决这个问题而诞生的。它通过学习在“潜在空间”（一种压缩表示）里直接从噪声跳到清晰图像的“捷径”，大幅减少生成步骤。简单来说，就是在保证可接受画质的前提下，将速度拉到极致。目前已经在移动端实时AI滤镜、快速图像生成应用中大显身手。当然，细节上比完全版的扩散模型要略逊一筹，但胜在速度惊人、资源消耗低。

LAM——语言行动模型

传统的LLM只回答不办事，LAM（语言行动模型）则向前跨了一大步——它不仅理解你的指令，还能规划步骤、调用外部工具（比如API），真正把语言变成行动。工作原理其实不难理解：将LLM的理解能力、任务规划器和工具使用接口结合起来，把指令转化为具体操作。应用场景非常实用：AI智能体（自动预订、操作软件）、复杂问题的客服等。潜力巨大，但如何保证行动的可靠性和安全性，依然是不小的挑战。

MoE——专家混合模型

模型参数越来越多，计算成本也水涨船高。MoE（专家混合模型）提供了一种巧妙的架构：内部有多个“专家”子网络和一个“路由器”。输入数据进来，路由器只选出少数几个最相关的专家参与计算，其他专家休息。这样一来，模型的总参数量可以做得非常大，但每次推理只激活一小部分，计算成本反而可控。很多顶级LLM就采用了MoE架构，参数扩展性好、推理高效，但训练和路由设计确实复杂得多。

VLM——视觉语言模型

图像和文字之间如何建立联系？VLM（视觉语言模型）就专攻这个。它通常采用双编码器结构：一个处理视觉信息，一个处理文本信息，再通过跨模态注意力等机制把两者融合起来。结果就是，它既能看懂图片，也能理解文字描述，还能在两者之间自由切换。应用包括图像描述生成、视觉问答、图文检索、多模态对话等。难点在于模态对齐——让两个完全不同类型的信息完美匹配，需要海量数据和精心设计。

SLM——小型语言模型

LLM虽然强大，但体积太大、运行起来太费资源，不适合手机、IoT等边缘设备。SLM（小型语言模型）就是它的轻量化版本，通过参数削减、架构优化、知识蒸馏（从大模型学习）或量化等技术，把模型压缩到可以在本地运行。优点是低延迟、保护隐私、支持离线使用；缺点也很明显，复杂推理能力和知识广度远不及LLM。不过对于设备端智能助手、离线翻译、隐私敏感的本地处理来说，SLM正好够用。

MLM——掩码语言模型

你可能听过BERT，它就是MLM（掩码语言模型）的代表。这类模型通过“完形填空”的方式预训练：随机遮盖输入文本中的一些词，让模型根据上下文预测被遮盖的词。因为使用的是双向Transformer编码器，它能同时看到被遮盖词左右两侧的信息，语境理解能力非常强。主要用途不是生成流畅的文本，而是生成高质量的词或句子嵌入表示，常用于文本分类、命名实体识别等自然语言理解任务。需要注意的是，MLM并不适合直接做文本生成。

SAM——分割一切模型

图像分割是计算机视觉的基础任务之一。SAM（分割一切模型）最大的特点就是“通用”——你随便给它一个提示（比如点一下、画个框），它就能把图像里对应的任何物体精确地分割出来，不需要针对特定类别训练。它的工作原理结合了强大的图像编码器、提示编码器和高效的掩码解码器，实现了零样本的泛化能力。应用场景特别广：图像编辑（抠图）、医学影像分析、机器人视觉、数据标注……不过要留意，SAM只负责分割，并不识别物体类别（只切割，不命名），所以通常需要与其他模型搭配使用。