大型語言模型（LLM）是甚麼？為何它能夠寫文章？

文章目錄＋

01 / 人工智能

文章並不是一次生成

LLM 讀過大量文字後學到語言之間的機率關係。它每次根據已出現的內容預測下一個 token，重複很多次，就變成一段看似有完整意圖的文章。

它像一位永遠只准看已寫文字的即興樂手：下一個音合理，不代表整首歌早已存在腦內。

LLM 寫文最令人誤會的一點，是它寫得太順。順到你忘了每一步都只是接下一個 token，沒有一個小編坐在背後替它查資料。

每一個新 token 都會成為下一步的地面。開頭若把一家公司年份寫錯，後面模型可能繼續補出職位、產品和故事，因為在當前上下文中，那條路已經最順。

02 / 人工智能

模型內有大量可調數值，訓練時透過預測錯誤不斷微調。參數不是一格格百科條目，而是分散地承載語法、關聯、風格及概念模式。

某個事實未必收藏在一個地址；它可能由許多權重共同令某段文字變得較可能。

一個開頭寫錯的公司年份，可以一路長成完整但不存在的品牌故事——句子之間很有默契，事實之間沒有。

這也是為甚麼一個好 prompt 不只是叫它『寫得專業』，而是提供受眾、證據、限制、例子和檢查點；你是在鋪路，唔係在念咒。

03 / 人工智能

Transformer 的關鍵不是永遠記住每句話，而是在目前輸入中計算哪些位置值得互相注意。同一個「bank」在河流和貸款句子內會建立不同關係。

這張關係網每次都重算，所以模型能按上下文改變用法，但計算成本亦會隨輸入長度增加。

所以好的寫作流程要有人把手伸進去，唔係只在最後按 spell-check。

模型可以模仿語氣、結構和常見論證，但不會因為自己真的去過那間店、開過那間公司或承受過那個決定而知道其分量。

04 / 人工智能

大量人類知識以語言規律留下痕跡。食譜有步驟、新聞有因果、論文有論證、電郵有禮貌結構。

模型學會這些形狀後，可以生成以前未見的組合。令人意外的並非「猜字」突然變成魔法，而是足夠規模的語言預測，會迫使模型捕捉深層結構。

05 / 人工智能

一句句看都合理的文章，論點仍可能在第五段偷換概念。局部流暢會累積成全局自信，而早期一個錯誤亦會成為之後預測的新上下文，越寫越完整。

長答案因此不是短答案的放大版；它是更多次沒有外部驗證的下注。

06 / 人工智能

把 LLM 文章視為高質素草稿生成，而不是來源本身。檢查名詞、數字、引用和因果跳躍；要求它指出不確定處；涉及最新或高風險資訊時，把可查證材料放回流程。

理解它如何寫，目的不是貶低它，而是把驚人能力放在正確位置。

07 / 人工智能

這也是為甚麼一個好 prompt 不只是叫它『寫得專業』，而是提供受眾、證據、限制、例子和檢查點；你是在鋪路，唔係在念咒。

08 / 人工智能

模型可以模仿語氣、結構和常見論證，但不會因為自己真的去過那間店、開過那間公司或承受過那個決定而知道其分量。

人手編輯的價值不只係改文法，還包括刪掉空泛句、補上實際背景，以及指出一個漂亮句子其實沒有證據。

09 / 人工智能

LLM 係咪搜尋引擎？
唔係。它可以配合搜尋工具，但模型本身主要生成文字，不保證每句都對應最新外部事實。

點解同一個 prompt 有時答案不同？
取樣設定、上下文、模型版本和工具結果都可能改變下一個 token 的分布。

如何叫模型寫得少啲 AI 味？
給具體讀者、例子、節奏和反饋，並由人刪走重複和空話；一句『自然啲』通常唔夠。

資料註腳

來源用來支持機制與限制；模型、產品及價格會更新，閱讀時應以官方頁面的版本和日期為準。