在人工智能与机器学习中,模型是一个计算系统,它在大量数据上经过训练后习得这些数据中的模式、关系与结构,并能将所学到的模式应用于新的输入以产生输出。从最根本的意义上说,AI 模型就是一个函数:输入一段文本提示、一张图像、一串单词或一组参数,经过训练阶段建立起的内部世界表征处理后,输出一张生成图像、一段文本回复、一段视频或一种分类。该术语在最宽泛的概念层面上用以描述任何经过训练的 AI 系统,也在具体产品层面上指代具有特定架构、训练数据与能力的命名模型(GPT-4、Stable Diffusion、Flux、Kling、Claude)。

训练过程正是模型区别于传统程序的关键。传统程序遵循程序员明文编写的规则,而模型则在训练过程中通过接触海量示例来发展自己的内部表征:模型的参数(往往多达数十亿个数值)被反复调整,以最小化模型在训练数据上的输出与正确输出之间的差异。训练完成后,这些参数被固定下来,编码了对训练数据分布中模式的习得表征。当模型在推理时接收到新的输入,会应用这些参数生成与训练中所遇模式相一致的输出。这就是为什么语言模型能生成流畅文本、图像模型能产出照片级真实图像、视频模型能生成连贯运动:并不是因为它们被写入了关于语言、图像或运动的规则,而是因为它们从海量示例中习得了统计规律性。

对于 AI 生成工具的用户而言,模型是能力的基本单位。不同模型有不同的优势、弱点、视觉风格、训练数据与行为倾向,选择合适的模型与撰写有效的提示词同样重要。图像生成模型可能擅长照片级真实输出、风格化美学、建筑可视化或角色一致性。视频生成模型在运动、时序一致性、分辨率与提示词遵循度方面各有差异。语言模型在推理能力、知识、指令遵循与输出风格上互不相同。理解模型是一个具备特定特性的具体被训练产物——而非无所不能的通用智能——是高效使用 AI 生成工具的根基。在 Morphic 等平台中,不同模型选项代表对生成的不同处理方式,选择合适的模型是创作者所做的第一项、也是影响最为深远的参数选择。