一、回顾
模型选型的第四个方案：三期中Bert的实际速度慢点使用了 30多ms，但是效果不错；Bert在 2018-2021 这四年中占主流模型，2022、2023年开始后有些大模型发展起来了，第四期尝试使用大模型来做；
二、关于大模型LLM
1. 什么是LLM
LLM是具有大规模参数的深度学习模型，参数量通常十亿到万亿级别。（参数十亿以上才算大模型，Bert不算大模型，Bert最大模型参数量最多才3亿，所以Bert不是大模型）；
独立意义上的大模型指的是 具有涌现能力的大模型，参数量至少百亿以上，达到人类大脑神经元个数；（10亿 = 1B）
大模型发展历程（基于Transformer发展而来的）：
① 2017年Transformer — 2018年BERT、GPT；（严格意义上前面的BERT GPT都不算大模型，从GPT-2开始才算：）—
② 2019年GPT-2 — 2020年GPT-3 — 2022年GPT-3.5（真正的大模型从2022年ChatGPT这个时间点开始 后面的都是大模型） —
③ 2022年ChatGPT —
（2022年11月3号ChatGPT发布，后面的三年：2023年LLaMA羊驼系列、GPT-4，2024年GPT-4o、LLaMA-3.1、OpenAI-o1，2025年DeepSeek-R1、Qwen-3 千问系列、文心一言-4.5 最新的文心一言系列、华为盘古系列）
1.1 模型单位
1.2 大模型训练硬件
三、代码结构图
四、原理及代码实现
1. 数据预处理操作
1.对于导包：深度学习框架是：Pytorch；= =》LLM框架：LangChain；
2. 初始化语言模型：ChatOpenAI( )：参数：基础的base_url、api_key、模型model、model_kwargs：base_url知道从哪里进行访问；因为其收费，需要秘钥 api_key；
4.定义LLM调用函数：通过 .invoke加载问题（提示词）来回复问题，这就是回答问题的过程；
后面是文本和label的处理；
2. DeepSeek分类逻辑实现
提示词工程：声明角色、回复格式、写示例：Text、类别；
自己调用DeepSeek案例：
最终的准确率为：86%
所以用大模型也并不一定可行；
