大模型的分类：按能力与场景的清晰划分

大模型并非单一类型，根据核心能力与应用场景，可分为不同类别，每类都有独特定位，支撑着 ChatGPT、文生图工具等多样化 AI 应用。

从核心能力维度，最常见的是 “语言大模型”“视觉大模型” 和 “多模态大模型”。语言大模型专注处理文本任务，像 ChatGPT、文心一言，能写文案、编代码、做翻译，还能回答各类问题，核心是理解与生成人类语言；视觉大模型擅长处理图像视频，列如 MidJourney、 Stable Diffusion，能将文字转化为插画、修复老照片，甚至生成短视频，关键是捕捉视觉特征与创作风格；多模态大模型则融合多种能力，如 GPT-4、通义千问，既能处理文本，又能分析图像（列如识别图表数据）、生成音频，实现 “文本 + 图像 + 音频” 的跨类型协作，像输入 “用国风风格画月下梅花并配一段古风文案”，它能同时完成图像与文字创作。

从应用场景维度，可分为 “通用大模型” 和 “行业大模型”。通用大模型面向大众日常需求，列如 ChatGPT 基础版、百度文心一言，能应对办公、学习、创作等通用场景，无需专业背景就能使用；行业大模型则针对特定领域优化，列如医疗大模型（如腾讯觅影），用医疗数据微调，能辅助分析 CT 影像、整理病历；金融大模型可预测市场趋势、识别欺诈交易；工业大模型能优化生产流程、监测设备故障，核心是适配行业专业需求。

不同类别大模型各有侧重：语言大模型是 “文字专家”，视觉大模型是 “视觉创作者”，多模态大模型是 “全能助手”；通用大模型覆盖广，行业大模型更精准。它们并非孤立存在，列如多模态大模型常融合语言与视觉能力，行业大模型也多基于通用大模型微调而来，共同构成了大模型的多样化应用生态。