2025小白AI入門指南！從如何白嫖到如何使用，一文入門

近兩年，AI迎來井噴式的發展，熊貓願把這稱作“第一次科技革命”。隨着大模型和 AI agent 的不斷成熟，常常讓人不禁感嘆：原來 AI 已經能做到這種程度了！

即便 AI 已經發展到如此“逆天”的程度，熊貓發現普通人的使用場景仍然侷限在對話和生圖這兩類。進階操作很少有人會，不會設置工作流，不會配置智能體，甚至連大模型有不同類別這件事都不清楚。

本期內容會從AI大模型的介紹、獲取以及使用進行介紹，2025小白AI入門指南，現在開始！

AI大模型的種類

在獲取並使用大模型之前，首先要弄清市面上有哪些類型的模型，以及它們各自能做什麼。

核心：語言模型

日常使用最多的是 LLM（大語言模型），也常被稱爲“語言模型”。比較知名的有 GPT 系列 —— 可以說推動大衆進入 AI 時代的就是 GPT-3.5。在國內，比較出名的代表有千問和 DeepSeek。

這類模型通常指用於處理人類語言文本的模型，主要功能包括文本對話、寫作、翻譯、邏輯推理和情感分析等與文本相關的任務。

語言模型可分爲基座模型和指令模型。基座模型——顧名思義，是所有模型的基礎，通常通過海量數據預訓練，擅長對輸入文本進行“續寫”。舉個例子，如果輸入“熊貓是不是貓？”，基座模型更可能沿着文本繼續生成下一個句子，例如“蝸牛是不是牛？”。它對知識有一定掌握，但不具備按人類指令執行特定任務的能力。

指令模型是在基座模型的基礎上，通過人工反饋（如人類評估和指令示例）進行強化學習或微調而成。這類模型能理解並執行人類指令，支持對話式交互。因此，目前常見的 GPT、DeepSeek 和千問等產品多數屬於指令模型或在其基礎上進行了指令化調整。

數據：向量模型

這類模型對普通用戶而言用得較少，主要用於需要檢索的場景，如知識庫、相似度搜索等。它們通常不直接生成文字或圖片，而是把文字或圖片等信息編碼成一串數字數組——也就是向量。這個向量相當於該信息的“身份證”或“座標”，用於表示和比較內容的語義或特徵。

向量模型會把信息編碼爲向量，進而在一個巨大的多維座標空間中表示這些信息。語義相近的詞或內容在空間中的位置也會相近，語義相反或無關的則會相距較遠。

向量模型目前最常見的應用是 RAG（檢索增強生成）。一些 NAS 的相冊也提供檢索功能，但那些實現多依賴傳統數據庫索引，而非向量檢索。就我所知，使用向量模型進行精確檢索計算的廠商中，目前只有威聯通和極空間在實踐這一方案。

眼睛：視覺模型

視覺模型其實並不是單純的作圖這麼簡單，視覺模型作爲大類目，再往下細分可以分爲兩個大類，分別是生成和理解。

很多人以爲生成類模型就是直接“按提示畫圖”，但圖像生成的過程實際上是逆向的。當前主流的生成方法依賴擴散模型 (Diffusion)：訓練階段把一張清晰圖片不斷加噪，直到變成類似雪花屏的滿屏噪點；生成階段則從滿屏噪點開始，按用戶輸入的條件逐步去噪，最終復原出清晰的圖像。

視覺理解顧名思義，是對已有圖片進行分析和理解，常見場景包括圖像識別、OCR、目標檢測、圖像分類等。實現這些功能的主流方法主要有 ViT（Vision Transformer）和 CNN。常見做法是把圖像切分成若干小塊（patch 或 receptive field），分別對每個小塊提取信息或特徵，再將這些局部特徵彙總、融合以完成最終的判定或理解。

目前視覺模型種類繁多，既有近期走紅的 Nano Banana Pro，也有老牌的 Midjourney、DALL·E 3，以及廣泛使用的開源項目 Stable Diffusion。但總體來看，國內在視覺模型的研發和生態建設上，與國外相比仍存在一定差距。

全能：多模態模型

多模態顧名思義，是把視覺模型的“眼睛”和語言模型的“大腦”結合在一起，從而具備視覺問答、情感交互、跨模態檢索等能力，也是目前大模型的發展方向。

多模態的發展早期，通常採取將視覺模型和語言模型“強行拼接”的做法，通過後續訓練讓“大腦”學會理解“眼睛”傳來的信息。隨着技術演進，現在的多模態模型更多是在設計階段就原生支持文本、音頻、圖片等多類數據的聯合理解與處理，而不是簡單地把單模態模塊堆疊在一起。

多模態領域較爲出名的代表包括 GPT‑4o 和 Gemini 1.5 Pro。多模態模型現在算是應用最廣的模型類型之一——例如手機裏的語音助手（如小愛、小布、小V）很多都基於多模態技術，實現了語音、圖像與文本的聯合理解與交互。

補充：全能化趨勢

除了上述的模型，還有一些日常普通用戶用的更少或者更爲專業的模型，其中主要就是視頻生成模型、音頻語音模型以及專業模型等等。

視頻生成模型是目前技術難度最高的模型之一，對算力要求極高。它通常在擴散模型的基礎上引入 Transformer 結構，用以生成連續且邏輯自洽的幀序列，隨後再把這些時間幀按順序拼接，就能得到完整的視頻。

這類模型最具代表性的就是Sora與國內比較出名的可靈。

音頻語音模型其實用的並不少，比較出名的案例就是“AI歌手”孫燕姿。然而，即便音頻模型已經相當成熟，調音與修音仍需要人工參與，否則即使是未接觸過 AI 的普通聽衆，也大都能察覺到明顯的失真感。

專業模型其實就是針對垂直領域特殊訓練的模型，通用大模型雖然通用性強，但“什麼都懂一點”的特性往往只能達到“略懂”的水平。爲滿足專業場景的高精度需求，才催生了這類專用模型。常見類型包括代碼模型和各類科學模型（如生物、氣象、數學等）。

如何獲取大模型

通過以上，我相信你已經大概知道了大模型的種類以及使用場景，那麼如何獲取我們想要的模型呢？

官方渠道

先從官方渠道說起。除去少數需要付費或有使用限額的模型（例如近期走紅的 Nano Banana Pro、GPT5.1、可靈等），大多數模型在官網上都可以直接免費使用，不過通常僅支持網頁版或官方 APP。對普通用戶而言，這類使用方式已基本滿足日常需求。

如果你想通過 API 調用大模型，很多平臺其實是提供了可觀的免費額度的。例如阿里的通義千問可以在阿里百鍊控制檯領取，抖音的“豆包”可以在火山方舟引擎控制檯領取。通常這類額度只發放一次，但數量往往從幾百到數千萬 Token 不等。用於文本類任務的話，對普通用戶基本足夠。

這裏推薦一下美團的longchat模型（非廣），雖說是稀釋後的模型，但longchat也有通用模型和深度思考模型兩種，同時官方文檔看似沒有更新，但實測是支持多模態的。

當然，最重要的是美團的longchat目前對於個人用戶每天有500萬的Toekn（申請之後），沒錯！是每天500萬的Toekn，對於個人用戶來說這個量非常大了，完全足夠常規的文本和視覺分析處理，主打一個免費量大。

第三方渠道—付費向

如果你有大量其他模型使用需求，例如更高質量的視覺分析、圖形生成等等，那麼大概率就需要付費來使用，你可以選擇用官方的付費服務，但大部分情況下高質量的模型大量使用費用其實並不低，亦或者選擇折扣的第三方渠道。

通常來說這類第三方網站的token會是官網的3-6折，根據模型的熱度和質量而定。在計費方式上會有按次和按量兩種方式，一般來說生成類模型熊貓建議是按次，文本或向量這類模型建議按Toekns來計算。

關於網址的獲取其實途徑非常多，百度搜索大模型第三方API站點、github中直接搜索AI內容，贊助廣告中、linux.do論壇佬友們的分享等等，這些都是獲取的途徑，廢了避免廣告嫌疑，熊貓就不做推薦了，可以自行搜索。

第三方渠道—免費向

這時候又有小夥伴會問，那麼就沒有完全免費的路子嘛？那當然也有，不過免費往往也會帶來一些問題，例如站點可能時不時就會跑路、不支持API併發、熱門付費模型沒有等等。

這一類站點的獲取關鍵詞爲公益站，儘可能用谷歌去搜索，當然一樣的github和linux.do中也會有很多推薦，但基本上是沒有熱門付費模型或高質量生成類模型，比如近期大熱的Nano Banana Pro。

一般來說公益站會限制用戶的API併發或二次分發，大部分公益站都是不開放註冊的，只會在特定的時間開放註冊，類似於PT站的操作，在額度方面大概率也是簽到、註冊、邀請等等來獲取額度。

大部分情況下注冊一般就有20-100的額度，這裏指的是美元，然後每天簽到大概也有5-10左右，基本上也是完全夠用了。

自給自足—逆向

最後一種則是逆向工程，熊貓這裏並不推薦這種方式，關於如何使用逆向，這裏沒辦法做過多的介紹，可以自行github搜索相關項目。

逆向之後就不受額度、註冊等限制了，但往往也伴隨不穩定性以及模型使用的限制，例如不能進行圖像生成、語音識別等等，這就和逆向工程的項目相關了。

如何使用大模型

最後說說大模型的實際使用。正如前面提到的，普通用戶最常用的功能是對話、搜索和生圖。要想實現更精準的圖像生成或更深度的對話，就需要引入“智能體”概念——本質上就是對模型進行預設與流程化配置。

對於文本類項目，網上其實已經有非常多的提示詞了，或者你可以直接讓AI幫你生成相關需求的提示詞，這裏推薦熊貓之前介紹過的提示詞優化器，支持直接使用以及自部署：Prompt Optimizer。

除此之外大部分的應用或者模型官網都內置一些智能體，熟練合理的運用智能體很多時候能提高不少的工作效率。

而對於圖形生成，也有非常多的項目和網站會收集一些預設詞，這裏熊貓主推https://opennana.com/。該網站收錄了一共700多種生圖案例，且支持中英文雙語提示詞。

寫在最後

如今，AI的發展趨勢非常之猛，作爲普通人的我們並不能改變什麼，前兩天熊貓翻招聘軟件甚至看到一些公司已經開始將熟練使用AI作爲招聘要求了。

技術的發展並不會取代人，但不會新技術的人一定會被其他人取代。

以上便是本次分享的全部內容了，如果你覺得還算有趣或者對你有所幫助，不妨點贊收藏，最後也希望能得到你的關注，咱們下期見！