LLM (Large Language Model)

LLM（Large Language Model，大型語言模型）是一種用海量文字資料訓練出來的 AI 模型，主要能力是理解和生成人類語言。Claude、ChatGPT 背後的 GPT-4o、Google 的 Gemini、Meta 的 LLaMA——這些都是 LLM。

「大型（Large）」指的是模型的參數量——數十億甚至數千億個參數（可以理解為模型的「可調節旋鈕」），在訓練過程中被調整，讓模型學到語言的規律。

LLM 的核心運作邏輯是「預測下一個 Token」——給定一段前文，模型計算每個可能的下一個 Token 的機率，然後輸出最可能的那個，一個接一個地生成完整的回答。這個機制解釋了 LLM 的很多行為特性，包括它為什麼有時候很準確、有時候會「幻覺」。

LLM 的起源可以追溯到語言建模研究。2017 年的《Attention is All You Need》論文提出了 Transformer 架構，它的「自注意力機制」讓模型能同時考慮整個輸入序列，讓語言模型能力跳躍式提升。隨後研究者發現：把 Transformer 做得更大（更多參數）、喂給它更多資料，能力會出現「湧現（Emergence）」——模型突然能做它的小型版本做不到的事，例如邏輯推理、程式碼撰寫。Claude 就是在這個背景下由 Anthropic 開發的，專注於讓能力強大的模型同時保持安全和對齊人類價值觀。

理解 LLM 是什麼，對你使用 Claude 有幾個直接影響：

解釋幻覺的來源：LLM 輸出的是「機率上最可能的文字序列」，不是「正確答案」。當它沒有足夠的資訊時，不會說「我不知道」，而是輸出一個「看起來最可能的答案」——即使那個答案是錯的。

解釋「同樣的問題，不同答案」是正常的：LLM 的機率性讓它每次輸出可能略有不同（除非把 Temperature 設為 0）。

最重要的認知：LLM 是語言生成工具，不是「真理機器」。充分利用它的推理和生成能力，但對重要資訊永遠要驗證。

理解 LLM 後，對日常使用 Claude 的具體啟示：

1. 重要資訊一定要驗證：Claude 輸出「可能性最高的答案」，不是「保證正確的答案」。醫療、法律、財務決策——永遠用其他管道驗證。

2. 把 Claude 當「思考夥伴」不是「知識百科」：LLM 最強的地方是推理、分析、生成、改寫，不是儲存正確事實。

3. 理解「同樣的問題，不同答案」是正常的：如果需要非常一致的輸出，加入明確格式要求，或把 Temperature 設為 0（API 用戶）。

4. 多問幾次能提升品質：對結果不滿意，試著換方式提問或加入角色設定。