LLM 发展史与当前格局

一句话定位：入口地图在一张地图看懂 LLM 领域——知识关系与学习入口（技术怎样协作、从哪开始学）归它管；本篇管时间轴：用三个范式转移点把 2018–2026 的模型演进串成一条线，再看清当前「闭源定上限、开源追平、Agent 化分胜负」的格局。前置：地图篇。

先从一个常见的困惑说起

打开科技新闻，几乎每周都有新模型发布：参数量更大、跑分更高、价格更低，每家都说自己「引领新时代」。看得人眼花缭乱，又好像什么都没记住。

模型圈正进入一场没有终点的发布会循环，玩家名单半年换一轮，数字指标的口径也在变。没有一条主线，每条新闻都是孤立事件——分不清哪些是真变化、哪些是营销噪声；收藏的评测排名、押注的厂商，半年后回头看基本作废。

但你缺的不是信息，而是坐标系。八年时间、上百个模型、无数次「吊打」与「翻车」，如果没有框架，所有阅读都是在平面上堆积碎片。

八年里到底发生了几次真正的范式转移？现在又处在一个什么位置？

答案只需要两样东西：三个转折点，加一张当前格局图。剩下的所有新闻，都能挂进这个坐标系理解——这篇就把它们画出来。

图：全景时间线——先看 ①②③ 转折点主线，再顺上下轨扫一遍：上轨闭源定上限，下轨开源从 BERT 起步、2023 年起加速追赶

转折点① 2020：比「大」

GPT-3 把参数堆到 1750 亿，论文标题就叫「语言模型是少样本学习器」——模型大到一定程度，不用重新训练就能靠几个示例学会新任务。这在此前是不可想象的：换个任务就要重新标注数据、重新训练模型，而现在「说几句示例」就算完成适配。

这开启了「预训练越大越强」的 scaling（规模化）叙事，此后两年整个行业都在堆参数、堆数据、堆算力。参数量从千亿冲向五千亿，训练算力涨了两个数量级，「更大」几乎成了模型的唯一卖点。

回头看，这一阶段还埋着一个当时没人当回事的伏笔：那场 scaling 竞赛的尽头，是 2022 年一篇用 400 多个模型做实验的论文——它证明大家一直都在「错误地堆大」（细节在Scaling Law 篇展开）。

转折点② 2022：比「好用」

ChatGPT 的技术底子是 GPT-3.5，参数规模并非卖点，赢在两件事：对齐训练（用人类反馈把模型的输出调得符合人的意图）和对话形态——能力第一次被驯化成人人可用的产品。

市场反应超出了所有人预期：两个月破亿用户，成为当时史上最快的消费级应用。全行业随之转向，一个共识浮出水面：光有能力不够，能力要装进产品才算数。大厂连夜重组，初创蜂拥而入，「生成式 AI」从论文词汇变成了大众词汇。

对普通使用者来说，这个转折点留下的遗产最直观——从那时起，模型开始「好好说话」：听懂上下文、承认不知道、按要求的格式回答。这些今天看来理所当然的品质，全部来自对齐这一步。

转折点③ 2024：比「会想」

o1 引入推理模型：回答前先生成长思维链，用推理时的额外计算换答案质量——这接棒了放缓的预训练 scaling。有研究测算，在同等推理算力预算下，小模型配上合适的推理时计算，可以在它本就有几分把握的题目上胜过参数量大 14 倍的模型。

2025 年初 DeepSeek-R1 把同代推理能力开源，路线是「可验证奖励」的强化学习——不给模型喂标准答案，只给能自动判分的题（数学、代码），让模型自己探索出思考方式。

成本这一侧的账同样清楚：基座训练约 278.8 万 GPU 时——这个数字出自 DeepSeek 技术报告，按当时约 2 美元/时的租价折算约 558 万美元。能力追平、成本只是零头，开源与闭源的差距从此以「几个月」计——而在此之前，开源大致落后闭源一整代。

图：scaling 交接棒——读图先找橙色虚线的 2024 交接点：之前比谁的参数大，之后比谁想得深

三次转向，比拼维度从「模型多大」到「产品多好用」再到「想得多深」——每次转向都重写一次比拼规则。

当前格局：三条战线

转折点③之后的延长线，就是今天的格局——三条战线同时开打：

图：三条战线——2026 年的模型新闻，都能挂进这三条里看

战线一负责探顶，把「能不能做到」先回答了；战线二负责平权，把「做得到的能力」变成人人部署得起的价格；战线三负责落地，把模型能力换成真实产出。三条各有各的节奏，看新闻时先判断「这条说的是哪条战线」，就不容易被带节奏。

开源追平的路线也值得看清：Llama 系走的是「同架构复现」——沿用业界验证过的主流模型架构，靠数据质量与训练工程把同等规模的模型做到接近闭源水准；DeepSeek 走的是「独立路线」——用可验证奖励的强化学习训练推理能力，并开源了方法。两条路互相印证了一件事：前沿不再是某一家的私有物。

战线三还有一个时间判断：推理训练算力目前以每几个月约 10 倍的速度增长，但总量预计约一年内就会赶上头部实验室训练盘子的总规模，此后增速回落到与整体训练算力同步。「多想一会儿」这条叙事同样有天花板，只是比预训练 scaling 的天花板来得更晚。

动手：用三道探针题自己验证

评测榜会过时、会刷分，但有一个办法永远可用：拿同样的几道题喂给不同模型，亲自看行为差异。这就是「探针法」——用小实验建立自己对格局的判断，而不是转发榜单。这套做法也是本知识库自己画模型地图的骨架：每篇模型相关笔记，都用一组探针题钉住「这个时代的能力边界在哪」，比记榜单靠谱。

下面是记录用的伪代码（不可直接运行），真正的动手是把三道题粘进不同模型的对话框：

probes = [
    "5 台机器 5 分钟做 5 个零件，100 台机器做 100 个零件要多久？",  # 经典翻车题：感受代差
    "用一句话解释什么是熵",        # 对齐训练优势区
    "写函数判断括号是否匹配",      # 共同底盘：三款都该会，用来验证流程
]
for model in [旧模型, 对齐模型, 推理模型]:
    for q in probes:
        r = chat(model, q)
        log(model.name, q, thinking=len(getattr(r, "reasoning", "")), answer=r.text, cost=r.usage.total_tokens)

三道题各自的看点：

1. 第一题：正确答案是 5 分钟，但 2024 年前的模型大量脱口而出「100 分钟」——用它感受代差很直观。
2. 第二题：看表达的克制与准确。
3. 第三题：三款都该会，用来验证你的测试流程没问题。

要提醒的是，这类单点陷阱题新旗舰已普遍修复，当下真正仍有分野的，是长链条任务与精确约束（比如「写一份恰好三条要点、每条不超过二十字的对比」）。

跑完对照三个转折点：①②的遗产（语言知识底盘、好好说话）已是所有模型的共同起点，③的分野是遇到难题时肯不肯先想再答——三个时代的烙印同时留在今天的模型身上。

边界与取舍：读历史的三个误区

误区一：线性外推

「参数年年涨」的预言在 GPT-4 之后失灵（2023 年起头部模型不再拿参数量当卖点）；「下一个转折点是 X」的断言同样可疑——转折点都是事后才看得清的。

误区二：押注单一赢家

每个转折点重写的是比拼规则，规则一变，此前的优势未必延续。格局认知的价值在于理解「什么在变」，不是记住「谁在榜」。

误区三：用榜单代替体验

榜单回答「哪个模型平均更强」，探针回答「我的任务上谁更合适」——选型真正要问的是后者。把历史当坐标系，新事件先问「这是哪条战线、有没有新转折点的信号」；成本侧的账，Scaling Law（规模定律）与算力预算那篇专门展开。

自测

合上文章先自己答，再展开对照：

参考与延伸

• GPT-3 论文《Language Models are Few-Shot Learners》（2020-05）：「大就是强」叙事的起点 — arxiv.org/abs/2005.14165
• 《Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters》（2024-08）：推理时计算接棒的先行论证 — arxiv.org/abs/2408.03314
• DeepSeek-R1 论文《Incentivizing Reasoning Capability in LLMs via Reinforcement Learning》（2025-01，后刊于 Nature）：开源推理模型的标志性发布 — arxiv.org/abs/2501.12948
• DeepSeek-V3 技术报告（2024-12），基座训练 278.8 万 GPU 时出处 — arxiv.org/abs/2412.19437
• Epoch AI《How far can reasoning models scale?》（2025-05-09）：推理训练算力增速与天花板的量化分析 — epoch.ai/gradient-updates/how-far-can-reasoning-models-scale

下一站：Scaling Law（规模定律）与算力预算——把转折点背后的成本账算清楚。之后的完整学习路线按 提示词工程 → Agent 基础 依次展开。