目录

一、核心定义总划分维度

二、逐个详细拆解

1. 基座模型（Base Model）

1.1 本质

1.2 典型特征

1.3 例子

1.4 用途

2. 微调模型（Fine-tuned Model）

2.1 本质

2.2 典型特征

2.3 例子

2.4 用途

3. 私有本地开源模型（Llama / Qwen / Mistral 等开源权重）

3.1 核心判定标准（缺一不可）

3.2 关键区分点

3.3 代表系列

3.4 优缺点

3.5 适用场景

4. 公有 API 模型（通义千问 API、文心一言 API、DeepSeek 公有 API）

4.1 核心判定标准

4.2 典型特征

4.3 代表产品

4.4 优缺点

4.5 适用场景

三、关键交叉关系（极易混淆的点）

四、四维对比总表

五、落地选型快速判断

先给核心总览，再分层拆解定义、特征、优缺点、使用场景、实例对比，最后一张对照表理清边界。

一、核心定义总划分维度

1. 基座模型（Base Model）：未经专项调教、仅靠海量通用文本预训练完成的原始大模型权重，是所有衍生模型的 “原材料”。
2. 微调模型（Fine-tuned Model）：以基座为底，用定向数据集二次训练后的专用模型，分 SFT 监督微调、RLHF 人类对齐微调。
3. 私有本地开源模型（Llama/Qwen 系列）：权重开源可下载、允许本地部署、私有化运行的模型，基座 / 微调版都属于这类，核心特征是本地离线、数据不出内网。
4. 公有 API 模型（通义 / 文心 / DeepSeek 公有版）：厂商托管云端、用户仅通过网络接口调用、无法获取完整模型权重、算力与推理在厂商服务器的商用服务模型。

二、逐个详细拆解

1. 基座模型（Base Model）

1.1 本质

只完成预训练（Pre-training），训练目标只有一个：预测下一个字符。 训练数据：全网通用书籍、网页、论文，无人工标注对话、无人类偏好对齐。 没有经过对话、指令、价值观、安全对齐训练。

1.2 典型特征

• 不会自然对话，直接丢指令容易乱答、续写长篇无关文本；
• 不懂人类问答逻辑，只会顺着文本续写；
• 输出无安全护栏，容易生成违规、偏激内容；
• 权重完整，可作为底座二次微调；
• 所有开源模型（Llama 2 Base、Qwen Base）、闭源厂商原始底座都存在基座版本。

1.3 例子

• 开源基座：Llama 3 70B Base、Qwen2 7B Base、Mistral Base
• 闭源基座：阿里通义原始预训练底座、文心 ERNIE 预训练基座（不对外放出）

1.4 用途

企业 / 开发者二次微调的原材料；做领域预训练、继续预训练；学术研究。

2. 微调模型（Fine-tuned Model）

2.1 本质

基座 + 二次定向训练，分为两层微调：

1. SFT 监督微调：人工标注问答、指令数据集，教会模型听懂人类指令；
2. RLHF/DPO 人类偏好微调：基于人类打分，对齐价值观、优化对话流畅度、增加安全限制。

微调不是独立模型类别，是模型加工手段： 任何基座经过微调，都变成微调模型，分两类载体：

• 开源微调版：Llama 3 Instruct、Qwen2 Instruct（可本地部署）
• 云端微调版：通义千问、文心一言、DeepSeek-V2 API（厂商云端微调完成）

2.2 典型特征

• 具备对话能力，能听懂提问、写文案、代码、逻辑推理；
• 内置安全规则，规避违规内容；
• 分为通用对话微调、行业专用微调（法律微调、医疗微调、代码微调）；
• 依赖基座存在，不存在无基座的微调模型。

2.3 例子

• 开源微调：Qwen2-14B-Instruct、Llama 3 8B Instruct
• 云端微调 API：文心一言 4.0、通义千问 2.5、DeepSeek Chat API

2.4 用途

直接对外提供对话服务、企业私有化业务、AI 工具底层能力。

3. 私有本地开源模型（Llama / Qwen / Mistral 等开源权重）

3.1 核心判定标准（缺一不可）

1. 厂商公开完整模型权重文件；
2. 允许用户下载到本地服务器 / 显卡离线运行；
3. 推理、数据全部在自有硬件，数据不会流出本地内网（私有）；
4. 包含两种形态：开源基座、开源微调 Instruct 版。

3.2 关键区分点

• 和公有 API 最大区别：拥有模型权重，自主掌控算力与数据；
• 分为商用开源 / 非商用开源：Llama 系列需要申请 Meta 许可；Qwen 通义千问开源系列完全免费商用；
• 运行门槛：需要 NVIDIA 显卡（显存随参数增大提升，7B 最低 16G 显存，70B 需要 80G+）；
• 可自由二次微调：拿到权重后，用自己行业数据再训练专属模型。

3.3 代表系列

• Llama 系列：Llama 2、Llama 3 Base/Instruct
• Qwen 通义千问开源系列：Qwen1.5、Qwen2 Base/Instruct
• 其他：Mistral、GLM、Yi、InternLM

3.4 优缺点

✅ 优势：数据完全私有化、无调用次数费用、可内网离线、可自定义微调、无接口限流； ❌ 劣势：需要采购显卡服务器、部署运维成本高、大参数量推理速度慢、硬件维护成本高。

3.5 适用场景

金融、政务、医疗等敏感数据行业；企业长期大批量 AI 需求；需要定制行业专属模型；无外网内网办公环境。

4. 公有 API 模型（通义千问 API、文心一言 API、DeepSeek 公有 API）

4.1 核心判定标准

1. 模型权重完全由厂商持有，用户无法下载、本地无法部署；
2. 推理算力全部运行在厂商云端服务器；
3. 用户仅通过 HTTP 接口、SDK 网络调用使用；
4. 全部是厂商完成微调后的对话模型，不对外提供基座原始权重。

4.2 典型特征

• 开箱即用，无需显卡、部署、运维；
• 按量计费：token 计费、包次 / 包月套餐；
• 存在调用限流、并发限制；
• 用户输入的提示词、业务数据会上传厂商云端（厂商承诺隐私合规，但数据出本地）；
• 厂商持续迭代优化，自动升级模型能力，无需用户操作；
• 安全、审核、功能由厂商统一管控，无法自定义底层模型逻辑。

4.3 代表产品

• 阿里：通义千问 API、通义 Code
• 百度：文心一言 ERNIE Bot API
• DeepSeek：DeepSeek Chat API、DeepSeek Code API
• 其他：GPT 系列、智谱清言 API、讯飞星火 API

4.4 优缺点

✅ 优势：零硬件成本、开箱即用、大参数量高性能、自动更新、运维全交给厂商； ❌ 劣势：数据上传第三方云端、高频调用成本高、有接口并发限制、无法深度自定义模型、网络依赖无法离线使用。

4.5 适用场景

初创企业小流量 AI 需求、临时 AI 工具开发、个人开发者、对外公开 C 端产品、无硬件预算、数据不敏感业务。

三、关键交叉关系（极易混淆的点）

1. 基座 ≠ 本地开源基座是模型训练阶段概念；本地开源是分发部署形态。 可以有闭源基座（文心原始底座不开放），也可以有开源基座（Qwen2 Base）。

2. 微调模型 同时存在两种部署形态

• 开源微调：Qwen-Instruct（本地私有化部署）
• 云端微调 API：通义千问公有接口（厂商云端部署）

1. Llama/Qwen 只是开源权重载体，包含基座 + 微调两类下载 Qwen2-7B Base = 本地开源基座 下载 Qwen2-7B-Instruct = 本地开源微调模型

2. 公有 API 不存在基座版本各大厂商开放的 API 全部是微调对齐后的对话模型，不会把未对齐的原始基座对外提供调用。

四、四维对比总表

五、落地选型快速判断

1. 数据敏感（金融 / 政务）、长期高频使用、内网离线 →本地开源微调模型（Qwen/Llama Instruct）
2. 自有行业数据集，需要训练专属 AI 能力 → 本地下载开源基座自行微调
3. 小流量业务、快速开发、无显卡服务器、数据无保密要求 →公有 API 模型
4. 学术研究、模型二次开发、对比预训练效果 →开源基座模型
5. 直接做面向用户的对话产品，不想运维硬件 →公有 API