将”””包裹的文本总结为一句话 “”” 在大型语言模型（LLMs）的发展中，主要有两种类型的LLMs，我将其称为基础LLMs和指令调优LL

1. 将”””包裹的文本总结为一句话

“””
在大型语言模型（LLMs）的发展中，主要有两种类型的LLMs，我将其称为基础LLMs和指令调优LLMs。基础LLMs是通过文本训练数据来预测下一个词汇，通常是在大量互联网和其他来源的数据上进行训练，以找出最可能接下来出现的词汇。例如，如果您给出这样的提示：”从前，有一只独角兽”，它可能会完成这个句子，也就是预测接下来的几个词是”生活在一个充满独角兽朋友的神奇森林里”。

但是，如果您给出这样的提示：”法国的首都是什么？”那么基于互联网上的文章，基础LLMs很可能会回答类似”法国最大的城市是什么？法国的人口是多少？”等问题，因为互联网上的文章很可能会包含关于法国的一系列测验问题。

与此相反，指令调优LLMs是大型语言模型研究和实践的重点。指令调优LLMs经过训练，可以遵循指令。因此，如果您问它：”法国的首都是什么？”它更有可能输出类似”法国的首都是巴黎”的答案。通常，指令调优LLMs的训练方式是：首先使用大量文本数据训练基础LLMs，然后对其进行微调，输入输出是指令和尝试遵循这些指令的良好示范。然后，经常使用称为RLHF（从人类反馈中学习的强化学习）的技术进一步优化，使系统更好地提供帮助和遵循指令。

由于指令调优LLMs经过训练，以变得有用、诚实和无害，因此它们不太可能输出有问题的文本，如相较于基础LLMs更有毒的输出。实际使用场景已经向指令调优LLMs转变。您在互联网上找到的一些最佳实践可能更适合基础LLMs，但对于现今的大多数实际应用，我们建议大多数人更关注指令调优LLMs，因为它们更易于使用，同时，由于OpenAI和其他LLM公司的努力，变得更加安全和一致。
“””