在 1.1 节中，我们把大语言模型的本质还原为“概率接龙”与“知识权重化存储”；在 1.2 节中，我们看到 Transformer 架构如何让这种接龙能力随着规模爆发而跃迁。但落到实际业务场景，一个更迫切的问题是：今天的 LLM 到底能把“接龙”玩出什么花样？它的能力天花板又在哪里？
本节从五个维度给出答案。务必记住一个前提：这些能力并非相互独立，而是同一套自回归机制在不同任务上的外显。理解这一点，你就能在后续选型时避免“拿生成模型硬做精准理解”或“拿理解模型硬做开放生成”的错配。
一、生成能力（Generation）：从“能写”到“可控地写”
这是最直观的能力。LLM 可以生成营销文案、邮件、代码、诗歌、法律合同，甚至输出严格格式化的 JSON、SQL、LaTeX。
技术实质：它仍然是 1.1 节所说的逐 Token 概率预测，但经过指令微调（Instruction Tuning）和 RLHF（人类反馈强化学习）后，模型学会了“在什么场景下该接什么样的龙”——即风格、格式、角色和有用性的对齐。
能力边界与实用陷阱：
- 长文本一致性衰减：虽然上下文窗口已扩展到百万 Token 级别（如 Gemini 1.5 Pro），但模型对长文本中前部细节的“有效注意力”会随长度增加而衰减。让它写一部 10 万字小说，中期可能出现人物设定错乱、时间线矛盾。
- 流畅≠真实：生成内容最危险的特点，是错误也会以极其通顺、自信的方式呈现。这是 2.4 节将详细讨论的“幻觉”在生成维度的直接体现。
- 精细控制困难：你无法像操作 Word 模板那样，要求它“只改语气，不动事实”。因为任何局部调整都会引发后续概率分布的连锁变化。
实用建议：需要高事实准确性的生成场景（如医疗建议、金融研报），必须外挂 RAG（检索增强生成）或人工审核，切勿让模型“裸奔”。
二、理解能力（Understanding）：高级模式匹配
尽管 GPT 系列本质是生成模型，但通过恰当的提示词设计，它在文本理解任务上表现极强：情感分析、意图识别、实体抽取、语义相似度判断、文本分类等。
技术实质：Transformer 的注意力机制天然具备双向扫描能力（回忆 1.2 节 BERT 与 GPT 的路线分野）。即使在单向 Decoder 中，前文与当前位置的关联也被充分建模，因此模型能够将文本压缩为高维语义向量，进而完成“理解”任务。
能力边界与实用陷阱：
- 没有真正的“语义理解”：它做的是高维空间中的模式匹配，而非人类式的概念内化。对于训练数据分布之外的表达（如最新网络黑话、小众垂直领域的特殊用法），准确率会断崖式下跌。
- 歧义消解的脆弱性：代词指代、讽刺、反语、文化语境依赖极重的文本，模型经常“过度自信”地给出错误解读。
- 对抗性输入敏感：人为构造的语义陷阱、逻辑悖论或轻微扰动的 prompt，可能让理解结果完全翻转。
实用建议：垂直领域的理解任务（如医疗病历结构化、法律条款拆解），最好在基座模型上做领域微调（Fine-tuning，见 2.2 节），而非仅靠通用 prompt。
三、推理能力（Reasoning）：从“记忆”到“看似思考”
这是目前行业最关注的能力前沿。LLM 在数学解题（GSM8K）、代码生成（HumanEval）、逻辑谜题和法律案例分析上展现出惊人表现。
关键放大器：链式思考（Chain-of-Thought, CoT）。如果prompt里加上“请逐步思考”（Let's think step by step），模型会把中间推理步骤显式生成出来，准确率可提升数倍。这完美利用了自回归“边想边说”的特性——把内部模式匹配外化为可验证的推理链。
能力边界与实用陷阱：
- 步数累积误差：推理步骤一旦超过 5–10 步，错误率呈指数级上升。每一步的局部概率偏差，都会在后续接龙中被放大。这与 1.1 节提到的“局部最优导致全局跑偏”完全一致。
- 抽象推理的硬天花板：对于完全脱离训练分布的纯符号逻辑、全新几何证明或高阶数学难题，LLM 的表现接近随机猜测。它更多是在复现训练数据中的解题模板，而非像数学家一样运用公理体系。
- 混淆“因果”与“相关”：模型擅长呈现“合理的因果叙事”，但这可能只是对语料中高频共现模式的拼贴。
实用建议：复杂数学运算应外包给 Python 解释器或符号求解器；多步业务决策（如信贷审批）不应由模型独立完成，而应作为“辅助推演员”，由人类掌握最终决策权。
四、工具调用（Tool Use）：从“闭卷考试”到“开卷+动手”
这是 LLM 从“语言模拟器”迈向“数字代理”的关键一步。模型可以调用搜索引擎、代码解释器、计算器、数据库查询接口，甚至操作外部 API（查天气、订机票、发邮件）。
技术实质：它直接回应了 1.1 节中“知识静态存储在权重中”的致命短板。通过 Function Calling（函数调用）机制，模型学会在生成过程中暂停“接龙”，输出一段结构化指令（如 JSON），等待外部系统返回结果后，再继续基于新信息生成。
能力边界与实用陷阱：
- 无法自主规划复杂流程：当前主流能力仍限于“单步工具调用”或简单顺序链。面对需要动态分支、循环、错误重试的复杂任务（如“先查 A，若 A>100 则查 B，否则查 C”），模型本身难以稳定自主规划，需要人类借助 LangChain、AutoGen 等 Agent 框架预先编排。
- 工具选择错误与参数幻觉：模型可能选错 API，或填入根本不存在的参数值，且语气极度自信。这是“幻觉”在工具层的延伸。
- 延迟与成本：每调用一次外部工具，都意味着推理中断、网络往返和额外计费。高频工具调用的系统，其响应延迟和 token 消耗可能远超纯生成场景。
实用建议：在生产环境中，工具调用必须配套权限管控和输入校验。不要让模型直接操作用户资金或敏感数据，至少保留“人类确认”环节。
五、多模态能力（Multimodality）：超越文字的“概率接龙”
最新的前沿模型（GPT-4V、Gemini、Claude 3、Qwen-VL）已不仅能处理文本，还能理解图像、音频，甚至生成图像/视频（通过集成 Diffusion、流匹配等外部模块）。
技术实质：图像或音频通过独立的编码器（如 ViT）被打成“视觉 Token”或“音频 Token”，与文本 Token 拼接成统一的序列，输入 Transformer 进行跨模态的“联合接龙”。
能力边界与实用陷阱：
- 细粒度感知缺失：模型“看”图并非人类意义上的视觉扫描，而是将图像特征映射到文本概念。它容易忽略背景中的小字、微小物体、精确的空间位置关系（如“左边的螺丝比右边的松”）。
- 跨模态推理弱于单模态专家：医学影像诊断、工业质检、高精度人脸识别等场景，专业 CV 模型+人工复核的准确率仍显著高于通用多模态大模型。
- 视觉幻觉：它可能在图中“看到”根本不存在的物体，或将颜色、数量、文字内容张冠李戴。
实用建议：多模态 LLM 最适合做通用性视觉问答、图文摘要、创意辅助；在需要像素级精度或安全关键的场景，应让专业 CV/语音模型做第一级识别，LLM 仅负责第二级的语义整合与报告生成。
六、总结：能力边界的底层约束
无论上述五种能力如何包装，它们都受限于 1.1 节揭示的三个根本物理约束：
- 概率生成无真值校验：它只追求“像对的”，不保证“就是对的”；
- 知识静态且隐式：无法自发更新，无法像数据库那样精确检索；
- 局部接龙易发散：长程、多步、复杂约束下的全局一致性难以保障。
因此，成熟的 LLM 应用从来不是“单模型裸奔”，而是分层组合：
| 能力维度 | 落地组合策略 |
|---------|-------------|
| 生成 | LLM + RAG（事实校验）+ 人工审核 |
| 理解 | 通用 LLM + 领域微调（Fine-tuning） |
| 推理 | LLM + 代码解释器 / 符号求解器 |
| 工具调用 | LLM + Agent 框架 + 权限管控 |
| 多模态 | 通用多模态 LLM + 专业 CV/语音模型兜底 |
在 1.4 节中，我们将从“单点能力”进一步下沉到“系统支撑”，拆解让上述能力得以运转的算法、数据、算力、工程、应用五层架构。理解这套体系，是你从“LLM 使用者”进化为“LLM 构建者”的关键一步。