大語言模型（Large Language Model，LLM）是以深度學習為基礎、通過大規模文本或多模態數據訓練得到的生成式模型。它的核心能力并不是完成某一個固定任務，而是圍繞語言理解、文本生成、信息處理、推理協助、代碼生成、工具調用和多模態交互等方向，形成一組通用任務能力。

傳統自然語言處理模型往往針對某個具體任務訓練，例如文本分類、機器翻譯、情感分析或命名實體識別。大語言模型則更強調“統一建模”：用戶可以通過提示詞（Prompt）把不同任務描述成自然語言指令，模型再根據上下文生成相應結果。

因此，大語言模型不只是“會寫文字”的模型，而是一種以自然語言為接口的通用任務處理系統。它通過語言接收任務、組織信息、表達結果，并在必要時連接外部工具完成更復雜的工作。

一、大語言模型任務的基本劃分

大語言模型的任務范圍很廣。從實際應用看，可以概括為以下幾類。

圖 1：大語言模型的主要任務分類

1、文本生成任務

根據上下文生成連續文本，如續寫、寫作、對話、說明文生成等。

2、語言理解任務

理解文本含義、意圖、結構、情緒、指代和上下文關系。

3、信息處理任務

對已有文本進行摘要、改寫、翻譯、提取、分類、問答和結構化整理。

4、推理與規劃任務

根據條件進行分析、比較、推斷、歸納和步驟安排。

5、代碼相關任務

生成、解釋、修改、檢查、補全和調試代碼。

6、工具調用與智能體任務

調用外部工具，完成檢索、計算、文件處理、多步執行等工作。

7、多模態任務

結合文本、圖像、音頻、視頻等信息進行理解與生成。

從整體上看，大語言模型的任務具有兩個特點。

第一，它不是為單一任務設計的模型，而是通過統一的語言接口處理多種任務。

第二，它不只是輸出文本，還可以在文本、代碼、圖像、工具和外部資料之間建立聯系，從而承擔更復雜的信息處理和任務執行工作。

二、文本生成任務：根據上下文生成連續語言

文本生成（Text Generation）是大語言模型最基礎、最典型的任務。它的目標是根據已有上下文，預測并生成后續文本。

常見文本生成任務包括：

? 根據一句話繼續寫一段文章

? 根據主題生成說明文、故事、郵件或報告

? 根據問題生成自然語言回答

? 根據對話歷史生成下一輪回復

? 根據提綱擴展成完整文章

? 根據資料生成結構化說明

大語言模型生成文本的基本方式，是根據前面的 token 預測下一個 token。這里的 token 可以理解為模型處理文本時使用的基本單位，它可能是一個字、一個詞，也可能是一個詞片段。

其基本形式可以寫成：

其中：

? x? 表示第 t 個 token

? p(x? ∣ x?,x?,…,x???) 表示在前文條件下生成當前 token 的概率

? T 表示文本序列長度

? ∏ 表示連乘

整段文本的生成概率可以分解為逐步預測每個 token 的條件概率。

這說明，大語言模型并不是一次性生成整篇文章，而是在上下文約束下逐步生成文本。

圖 2：文本生成的一般過程

1、續寫與擴寫

續寫（Continuation）是指模型根據已有文本繼續生成后續內容。

擴寫（Expansion）則是在保留原有主題或結構的基礎上，將簡短內容擴展為更完整的文本。

例如：

? 根據一句開頭續寫故事

? 根據一個觀點擴寫成議論文段落

? 根據提綱擴寫成完整文章

? 根據短說明擴寫成教材內容

? 根據一句結論擴展出論證過程

這類任務的關鍵在于：模型需要保持語義連貫、風格一致、結構合理。

例如，給定上下文：

模型生成后續文本：

其中：

? c 表示已有上下文

? n 表示已有 token 數量

? k 表示需要繼續生成的 token 數量

? x? 表示模型生成的后續內容

續寫任務表面上是在“接著寫”，本質上是在保持上下文一致性的條件下進行概率生成。

2、寫作與創作

大語言模型還可以完成更開放的寫作任務，例如：

? 新聞稿

? 教材文章

? 科普文章

? 演講稿

? 廣告文案

? 故事腳本

? 社交媒體文案

? 工作郵件

? 產品說明

? 研究綜述

與簡單續寫相比，寫作任務通常需要同時滿足主題、結構、語氣、受眾、篇幅和格式等多種約束。

這類任務可以表示為：

其中：

? p 表示提示詞或寫作要求

? c 表示可用上下文或背景材料

? r 表示風格、格式、篇幅等約束

? ? 表示生成文本

因此，大語言模型寫作并不只是“生成語言”，而是根據多重約束組織內容。

3、對話生成

對話生成（Dialogue Generation）是大語言模型在人機交互中的核心任務。它要求模型根據用戶當前輸入和歷史對話，生成合適的回復。

對話任務可以表示為：

其中：

? u? 表示當前輪用戶輸入

? H 表示歷史對話上下文

? r? 表示模型生成的回復

? f 表示大語言模型

對話生成與普通文本生成不同。它不僅要求語言自然，還要求模型保持上下文一致，理解用戶意圖，并根據當前任務選擇合適的回答方式。

例如，在多輪寫作修改中，用戶可能先要求“寫一篇文章”，隨后又要求“第二節再通俗一點”“小結控制在 120 字以內”。

模型需要記住前文要求，并把新的約束應用到當前任務中。

三、語言理解任務：識別文本的含義、意圖與結構

語言理解（Language Understanding）是大語言模型的重要任務。它要求模型不僅能生成文字，還能理解輸入文本的含義、結構和上下文關系。

例如：

? 判斷用戶真正想問什么

? 理解一句話中的隱含關系

? 識別文本中的情緒傾向

? 判斷兩個句子是否表達相同意思

? 分析文章結構和論證邏輯

? 理解上下文中的省略、指代和轉折

語言理解任務可以簡化表示為：

其中：

? x 表示輸入文本

? fθ 表示帶參數 θ 的大語言模型

? h 表示模型對文本形成的內部語義表示

? θ 表示模型參數

模型并不是只記住詞語表面形式，而是把文本轉換為內部表示，再基于這種表示完成判斷、回答或生成。

1、意圖識別

意圖識別（Intent Recognition）是指判斷用戶輸入背后的任務目標。

例如，用戶輸入：

幫我把這段話寫得更正式一點。

模型需要識別出用戶的意圖是“文本改寫”，而不是單純詢問“正式”是什么意思。

常見意圖包括：

? 提問

? 寫作

? 翻譯

? 摘要

? 改寫

? 分類

? 推理

? 代碼生成

? 工具調用

? 文件處理

? 圖像理解

在對話系統中，意圖識別決定了模型后續應該采用什么方式回答。

2、語義理解

語義理解（Semantic Understanding）關注的是文本所表達的真實含義，而不只是詞語表面。

例如：

這個方案不是不可以。

這句話表面上有兩個否定，但實際語義更接近“可以考慮”。模型需要理解否定、轉折、語氣和上下文關系。

語義理解常涉及：

? 指代關系：理解“他”“它”“這件事”指什么

? 否定關系：理解“不是”“不能”“并非”的作用

? 因果關系：識別原因與結果

? 對比關系：理解“雖然……但是……”

? 隱含含義：理解沒有直接說出的意思

? 上下文關系：根據前后文補全省略信息

例如：

其中：

? surface(x) 表示文本表層形式

? meaning(x) 表示文本實際含義

? ≠ 表示二者不一定完全相同

這說明，語言理解不能停留在詞語層面，而要進入語義關系層面。

3、上下文理解

上下文理解（Context Understanding）是大語言模型區別于許多傳統文本模型的重要能力。模型不僅要理解當前句子，還要結合前文、任務要求和對話歷史判斷真正含義。

例如，用戶先說：

請把這篇文章改得更適合初學者。

隨后又說：

第二節再通俗一些。

此時，“第二節”指的是前文中的文章結構，“再通俗一些”指的是修改風格。模型需要結合上下文才能正確執行。

上下文理解可以表示為：

其中：

? x 表示當前輸入

? H 表示上下文信息

? ? 表示模型輸出

? f 表示大語言模型

上下文理解使大語言模型能夠處理多輪對話、長文檔分析、連續修改和復雜任務拆解。

四、信息處理任務：整理、壓縮與提取文本信息

信息處理任務（Information Processing Task）是大語言模型在學習、辦公、研究和知識管理中非常常見的應用方向。它的目標是把已有文本整理成更清晰、更緊湊或更有結構的信息。

常見任務包括：

? 摘要

? 改寫

? 翻譯

? 信息抽取

? 文本分類

? 問答

? 結構化整理

? 要點歸納

? 表格化整理

這類任務的共同特點是：輸入材料已經存在，模型的任務不是憑空創造，而是對已有信息進行理解、轉換、壓縮和重組。

圖 3：信息處理任務的一般方向

1、文本摘要

文本摘要（Summarization）的目標是從長文本中提煉主要內容，生成較短的概括。

摘要任務可以寫成：

其中：

? d 表示原始文檔

? s 表示摘要

? f 表示摘要生成模型

摘要可以分為兩類：

? 抽取式摘要：從原文中選取關鍵句

? 生成式摘要：在理解原文基礎上重新組織語言

大語言模型更擅長生成式摘要，因為它可以根據文章結構、重點和上下文重新組織表達。

好的摘要通常應滿足：

? 保留核心信息

? 刪除次要細節

? 避免改變原意

? 結構簡明清晰

? 不添加原文沒有的信息

摘要任務看似簡單，但它對模型的忠實性要求很高。模型不能為了語言流暢而添加原文沒有的內容，也不能遺漏關鍵事實。

2、信息抽取

信息抽取（Information Extraction）的目標是從文本中提取指定信息。

例如，從一段會議記錄中提取：

? 會議時間

? 參會人員

? 討論議題

? 決策結果

? 后續任務

? 截止日期

信息抽取可以表示為：

其中：

? x 表示原始文本

? q 表示需要提取的信息類型或問題

? z 表示提取結果

例如，給定文本：

項目將在 5 月 10 日前完成第一輪測試，由張三負責。

模型可以提取出：

? 截止日期：5 月 10 日

? 任務：完成第一輪測試

? 負責人：張三

信息抽取的重點是準確性。它要求模型盡量基于原文，不應隨意補充或編造。

3、問答任務

問答（Question Answering，QA）是大語言模型最常見的人機交互任務之一。用戶提出問題，模型根據已有知識、上下文或外部資料生成回答。

問答任務可以表示為：

其中：

? q 表示問題

? c 表示上下文、資料或檢索結果

? a 表示回答

根據依據來源不同，問答任務可分為：

? 閉卷問答：主要依賴模型內部知識

? 開卷問答：結合外部資料、搜索結果或文檔內容

? 多輪問答：結合歷史對話進行連續回答

? 文檔問答：依據指定文檔內容回答問題

在實際應用中，高質量問答不僅要求語言流暢，還要求事實準確、依據清晰、邊界明確。

4、改寫與翻譯

改寫（Rewriting）是指在保持原意基本不變的前提下，改變文本表達方式。

翻譯（Translation）則是在不同語言之間轉換文本含義。

改寫任務可以表示為：

其中：

? x 表示原始文本

? r 表示改寫要求，例如更正式、更通俗、更簡潔

? x? 表示改寫后的文本

翻譯任務可以表示為：

其中：

? x 表示源語言文本

? L? 表示源語言

? L? 表示目標語言

? y 表示翻譯結果

改寫和翻譯都要求模型處理“意義保持”問題。也就是說，表達可以變化，但核心含義不能隨意改變。

五、推理與規劃任務：從條件到結論的分析過程

推理與規劃（Reasoning and Planning）是大語言模型的重要能力方向。它要求模型不僅復述信息，還要根據條件進行分析、比較、歸納、演繹和步驟安排。

例如：

? 分析一個方案是否合理

? 根據條件推斷可能結果

? 設計學習計劃或項目計劃

? 比較多個選項的優缺點

? 解決數學題或邏輯題

? 根據目標拆分任務步驟

? 檢查一段論證是否自洽

推理任務可以簡化表示為：

其中：

? p?,p?,…,p? 表示已知前提

? c 表示根據前提推出的結論

? f 表示推理過程

這類任務的關鍵不只是給出答案，而是讓答案符合前提、邏輯和約束。

1、邏輯推理

邏輯推理（Logical Reasoning）要求模型根據明確條件判斷結論是否成立。

例如，已知：

? 所有 A 都屬于 B

? x 是 A

則可以推出：

其中：

? x ∈ A 表示 x 屬于集合 A

? A ? B 表示 A 是 B 的子集

? x ∈ B 表示 x 也屬于集合 B

? ? 表示可以推出

在自然語言任務中，邏輯推理常用于判斷：

? 條件是否充分

? 結論是否成立

? 說法是否矛盾

? 論證是否完整

? 推斷是否超出前提

大語言模型可以輔助邏輯分析，但在復雜推理中仍需要注意驗證，因為語言流暢并不必然等于邏輯正確。

2、數學推導與計算輔助

大語言模型也常用于數學解釋、公式推導和解題輔助。

例如：

? 解釋公式含義

? 推導簡單數學關系

? 分析題目條件

? 給出解題步驟

? 檢查計算思路

? 把公式轉換為代碼實現

一個基本的數學求解任務可以表示為：

其中：

? x 表示題目輸入

? 表示題目條件集合

? ? 表示模型給出的結果

需要注意的是，大語言模型本質上仍是語言模型。對于高精度計算、符號代數、大規模數值計算等任務，通常應結合計算器、編程環境或專業數學工具進行驗證。

3、任務規劃

任務規劃（Task Planning）是指模型根據目標拆分步驟、安排順序和組織執行路徑。

例如：

? 制定學習計劃

? 規劃寫作流程

? 拆分項目任務

? 設計實驗步驟

? 安排數據分析流程

? 制定資料檢索路徑

? 規劃產品開發流程

任務規劃可以表示為：

其中：

? P 表示計劃

? a?,a?,…,a? 表示一系列行動步驟

? 步驟之間通常存在先后依賴關系

一個好的任務規劃通常應滿足：

? 目標明確

? 步驟可執行

? 順序合理

? 資源約束清楚

? 風險與檢查點明確

大語言模型在規劃任務中更像一個“語言化的組織器”：它可以幫助人把模糊目標拆成較清晰的行動結構。

六、代碼相關任務：理解、生成與修改程序

代碼任務（Code Task）是大語言模型的重要應用方向。由于代碼也是一種結構化語言，大語言模型可以學習代碼語法、常見模式、接口用法和程序邏輯，從而輔助編程。

常見代碼任務包括：

? 代碼生成

? 代碼解釋

? 代碼補全

? 代碼改寫

? 代碼調試

? 錯誤分析

? 單元測試生成

? 文檔注釋生成

? 代碼遷移

? 代碼審查

代碼生成任務可以寫成：

其中：

? r 表示編程需求

? ? 表示生成的代碼

? f 表示大語言模型

代碼任務與普通文本生成不同，因為代碼必須滿足語法正確、邏輯正確、依賴正確和運行環境匹配等要求。

1、代碼生成

代碼生成（Code Generation）是指根據自然語言需求生成程序代碼。

例如：

? 用 Python 讀取 CSV 文件并繪圖

? 用 JavaScript 編寫網頁交互

? 用 SQL 查詢指定數據

? 用 Python 實現機器學習訓練流程

? 用 HTML 和 CSS 編寫網頁結構

代碼生成的關鍵不只是“寫出代碼”，還包括：

? 理解需求

? 選擇合適庫或語言特性

? 組織程序結構

? 處理異常情況

? 保證代碼可運行

? 保持代碼可讀性和可維護性

例如，用戶提出：

用 Python 讀取一個 CSV 文件，并按月份統計銷售額。

模型需要把自然語言需求轉換為程序步驟：讀取文件、解析日期、按月份分組、計算銷售額、輸出結果或繪制圖表。

圖 4：代碼生成的一般過程

2、代碼解釋與調試

代碼解釋（Code Explanation）是指用自然語言說明代碼的作用、結構和執行過程。

代碼調試（Debugging）則要求模型根據錯誤信息、代碼上下文和運行結果，分析問題原因并提出修改方案。

調試任務可以表示為：

其中：

? c 表示代碼

? e 表示錯誤信息或異常現象

? b? 表示模型判斷出的可能問題

代碼調試通常需要關注：

? 語法錯誤

? 類型錯誤

? 變量作用域問題

? 依賴版本問題

? 數據格式問題

? 邊界條件問題

? 邏輯錯誤

? 性能問題

? 安全風險

需要注意的是，大語言模型可以幫助定位問題，但最終仍應通過實際運行和測試驗證代碼是否正確。

3、測試與代碼審查

除了生成和解釋代碼，大語言模型還可以輔助生成測試用例和進行代碼審查。

單元測試生成可以表示為：

其中：

? c 表示待測試代碼

? r 表示測試要求

? t? 表示生成的測試代碼

代碼審查則關注：

? 代碼是否符合需求

? 是否存在邊界條件遺漏

? 是否存在重復邏輯

? 是否存在潛在異常

? 是否存在安全隱患

? 是否可以提升可讀性

這說明，大語言模型在編程中的價值不僅是“寫代碼”，還包括解釋代碼、檢查代碼和改進代碼。

七、工具調用與智能體任務：從回答問題到執行任務

工具調用（Tool Use）是大語言模型從“文本生成系統”走向“任務執行系統”的關鍵能力。模型不僅生成回答，還可以根據任務需要調用外部工具。

例如：

? 調用搜索工具獲取最新信息

? 調用計算器完成精確計算

? 調用代碼環境處理數據

? 調用文檔工具生成文件

? 調用日歷、郵件、數據庫等系統完成操作

? 調用圖像工具生成或編輯圖片

工具調用任務可以表示為：

其中：

? T 表示外部工具

? a 表示傳給工具的參數

? o 表示工具返回的結果

大語言模型在其中的作用，是理解任務、選擇工具、組織參數、解釋結果。

圖 5：大語言模型工具調用過程

工具調用使大語言模型不再只依賴自身參數中的知識，而能夠連接外部環境，完成更新、更精確或更復雜的任務。

1、檢索增強生成

檢索增強生成（Retrieval-Augmented Generation，RAG）是大語言模型常見的工具增強方式。它先從外部資料中檢索相關內容，再基于檢索結果生成回答。

其基本流程是如下圖所示：

圖 6：檢索增強生成的一般流程

可以簡化表示為：

其中：

? q 表示用戶問題

? R(q) 表示根據問題檢索到的資料

? a 表示最終回答

RAG 的意義在于：它可以減少模型僅憑內部記憶回答帶來的不確定性，使回答更依賴可驗證資料。

需要注意的是，RAG 并不等于“絕對正確”。檢索資料是否相關、資料本身是否可靠、模型是否正確理解資料，都會影響最終回答質量。

2、智能體任務

智能體任務（Agent Task）是指大語言模型圍繞目標進行多步決策、工具調用和結果檢查。

例如：

? 自動整理資料并生成報告

? 根據目標規劃搜索路徑

? 分析數據并生成圖表

? 讀取文件、提取信息、生成文檔

? 在多個工具之間協調完成復雜任務

? 根據中間結果繼續調整后續步驟

智能體任務可以表示為：

其中：

? G 表示用戶目標

? a?,a?,…,a? 表示多個行動步驟

? R 表示最終結果

與普通問答不同，智能體任務強調“多步執行”。模型需要不斷根據中間結果調整后續行動。

圖 7：智能體任務的一般結構

智能體任務是大語言模型能力擴展的重要方向，但也對可靠性提出了更高要求。模型需要明確任務邊界、檢查中間結果，并避免在沒有依據的情況下繼續執行錯誤步驟。

八、多模態任務：連接文本、圖像、音頻與視頻

多模態任務（Multimodal Task）是大語言模型發展的重要方向。傳統大語言模型主要處理文本，而多模態大模型可以同時處理文本、圖像、音頻、視頻等信息。

例如：

? 看圖回答問題

? 描述圖片內容

? 分析圖表信息

? 根據圖片生成文字說明

? 根據文字生成圖像

? 理解視頻中的事件

? 結合語音和文本進行對話

? 根據截圖分析界面問題

多模態任務的基本思想是：把不同類型的數據映射到可以共同理解的表示空間。

可以寫成：

其中：

? x_text 表示文本輸入

? x_image 表示圖像輸入

? h_text 表示文本表示

? h_image 表示圖像表示

如果文本和圖像語義相關，它們在表示空間中應當具有較高相似度。

1、圖文理解

圖文理解（Vision-Language Understanding）是多模態任務中的基礎方向。它要求模型同時理解圖像內容和文本問題。

例如，用戶給出一張圖片并提問：

圖中這輛車停放是否合理？

模型需要先識別圖像中的車輛、道路、標志線、停車位置等信息，再結合問題進行判斷。

圖文理解任務可以表示為：

其中：

? q 表示用戶問題

? x_image 表示輸入圖像

? a 表示模型回答

這類任務不只是“看圖說話”，還需要把視覺信息與語言問題結合起來。

2、圖表理解

圖表理解（Chart Understanding）是多模態大模型在學習、辦公和數據分析中的重要任務。

例如：

? 讀取柱狀圖趨勢

? 分析折線圖變化

? 解釋散點圖關系

? 根據圖表回答問題

? 從表格截圖中提取數據

圖表理解通常需要同時處理：

? 文字標簽

? 坐標軸

? 圖例

? 數值關系

? 趨勢變化

? 視覺布局

它比普通圖片描述更復雜，因為圖表本質上是“視覺化的數據結構”。模型不僅要看見圖形，還要理解圖形背后的數量關系。

3、語音與視頻理解

多模態大模型還可以處理語音和視頻任務。

語音理解任務包括：

? 語音轉文字

? 語音情緒識別

? 會議內容摘要

? 多輪語音對話

視頻理解任務包括：

? 描述視頻內容

? 識別視頻中的動作

? 分析視頻中的事件變化

? 根據視頻回答問題

視頻理解比圖像理解更復雜，因為視頻不僅包含空間信息，還包含時間變化。模型需要理解對象在連續畫面中的運動、關系和事件發展。

九、大語言模型任務之間的區別與聯系

大語言模型的任務雖然很多，但可以從三個層次理解。

1、語言層任務

語言層任務主要圍繞自然語言本身展開，包括續寫、寫作、摘要、翻譯、改寫、問答等。

這類任務強調語言生成、語言轉換和信息表達。

2、認知層任務

認知層任務包括理解、推理、規劃、比較、歸納、解釋等。

這類任務要求模型不僅處理語言，還要組織概念、關系和邏輯。

3、行動層任務

行動層任務包括工具調用、代碼執行、檢索增強、文件處理、多步任務執行等。

這類任務要求模型從“生成回答”進一步走向“輔助完成任務”。

圖 8：大語言模型任務的三個層次

如果用更直觀的話概括：

? 文本生成任務回答“怎樣把話說出來”

? 語言理解任務回答“這段話是什么意思”

? 信息處理任務回答“如何整理已有信息”

? 推理與規劃任務回答“根據條件應該怎樣分析”

? 代碼任務回答“怎樣把需求轉成程序”

? 工具調用任務回答“怎樣借助外部系統完成任務”

? 多模態任務回答“怎樣把文本與圖像、音頻、視頻結合起來理解”

需要注意的是，這些任務在實際應用中經常相互交織。例如，回答一個復雜問題，可能同時需要理解問題、檢索資料、摘要證據、進行推理，并最終生成回答；完成一個數據分析任務，可能同時涉及代碼生成、工具調用、結果解釋和報告寫作。

因此，大語言模型的價值不只在于生成流暢文本，而在于它把語言變成了一種通用任務接口。用戶可以用自然語言描述目標，模型則把目標轉化為理解、生成、推理、檢索、調用工具或執行步驟。

十、大語言模型任務的能力邊界

大語言模型具有很強的通用性，但它并不等于全知、全能或絕對可靠。理解其任務邊界，有助于更合理地使用大語言模型。

第一，大語言模型可能生成看似合理但并不準確的內容。

因此，在事實性問題、專業判斷、法律、醫療、金融等高風險場景中，應結合可靠資料或專業工具進行驗證。

第二，大語言模型的推理能力受到提示詞、上下文長度、任務復雜度和外部工具條件的影響。

對于復雜計算、符號推導和精確數據處理，通常需要結合計算器、代碼環境或專業軟件。

第三，大語言模型的回答質量與輸入質量密切相關。

任務目標越明確、約束越清楚、資料越充分，模型越容易給出高質量結果。

第四，多步任務尤其需要檢查中間結果。

智能體任務雖然可以自動拆解和執行步驟，但如果前一步判斷錯誤，后續步驟也可能被帶偏。

因此，大語言模型更適合被理解為一種“語言驅動的智能協作工具”：它能夠幫助人理解信息、組織內容、生成方案、輔助推理和調用工具，但最終仍需要人根據任務重要性進行判斷、驗證和取舍。

小結

大語言模型的主要任務包括文本生成、語言理解、信息處理、推理規劃、代碼輔助、工具調用、智能體執行和多模態理解。它以自然語言為統一接口，把寫作、問答、分析、編程、檢索和任務執行連接起來，是生成式人工智能的重要基礎。

“點贊有美意，贊賞是鼓勵”