【精选报告】大模型专题一：复旦大学：2025年大模型能力来源与边界报告（附PDF下载）

主要观点总结

本文介绍了复旦大学张奇教授团队发布的《2025年大模型能力来源与边界报告》的主要内容。报告围绕大模型的四个核心问题，阐述了模型的能力来源、边界以及提升方法，并给出了实践启示。报告还提到了人工智能产业链联盟筹备组的征集公告以及多份与DeepSeek相关的教程报告。

关键观点总结

关键观点1: 大模型的四个核心问题

报告围绕大模型究竟强在哪里、弱在哪里、能力是怎么来的、能走到哪里等四个核心问题进行了系统回答。

关键观点2: 大模型的能力表现

大模型在记忆层面表现突出，但在理解与推理层面有限，工具使用仍不稳定。

关键观点3: 大模型能力的来源

大模型的能力来自“预训练 + 后训练”，其中预训练阶段靠自监督把世界知识以统计方式压缩进参数，有监督微调（SFT）作用是把预训练里已记忆的知识“激活”，强化学习（RL）解决的是“生成过程”而非“知识缺失”。

关键观点4: 大模型的边界

大模型的边界受到语言核心区与维度依赖、组合爆炸任务、以及“理解”能力的限制。

关键观点5: 大模型的提升方法

报告提出了数据层面、训练策略、推理行为注入等方面的提升大模型的方法。

关键观点6: 实践启示

报告指出，要根据场景选择合适的模型，正确选择场景与任务拆解是大模型落地的关键。

免责声明