24.6 模型范式演进框架

从 2022 年 ChatGPT 横空出世到 2025 年，大模型领域经历了多轮范式级别的跃迁。如果说前面几节讲的是大模型在各个垂直领域的落地（自动驾驶、具身智能、推荐系统、AI 终端、世界模型），那么本节要退后一步，从方法论和部署形态的角度审视大模型技术本身的演进脉络。我们将沿四条主线展开：推理模型范式如何让"慢思考"成为新的 Scaling 维度；多模态生成范式如何从"理解"跨越到"创造"；工具调用范式如何将大模型从对话助手升级为自主执行的 Agent；部署形态如何从闭源 API 向开源权重乃至端侧推理全面铺开。

---

24.6.1 推理模型范式

从"快系统"到"慢系统"

早期大模型（如 GPT-3、GPT-4）的推理模式可类比于心理学中的系统 1 思维（System 1）——给定一个问题，模型在一次前向传播中直接生成答案，速度快但对复杂推理任务容易出错。2024 年 9 月，OpenAI 发布的 o1 模型标志着一个范式转折：模型在输出最终答案之前，先在内部生成一段长长的思维链（Chain-of-Thought, CoT），逐步推导、反思、纠错，最后才给出结论。这种"先想清楚再回答"的模式被称为推理时计算（Inference-Time Compute）或系统 2 思维（System 2），其核心思想是：在推理阶段投入更多计算资源，可以显著提升模型在数学、编程和科学推理等困难任务上的表现。

从技术实现看，o1 的训练融合了两项关键技术：

1. 大规模强化学习（RL）：以 CoT 过程的最终答案正确性作为奖励信号，通过 RL 训练模型学会"如何思考"——包括何时拆分子问题、何时回溯检查、何时切换策略。不同于 ChatGPT 使用的 RLHF（基于人类偏好的奖励），o1 的奖励信号来自客观的正确性判定（数学题有标准答案、代码有测试用例），这使得 RL 可以在无需人工标注的情况下大规模运行。
2. 思维链蒸馏：将 RL 产生的高质量 CoT 数据用于监督微调，使模型在推理时自然地展开内部推理过程，而不需要用户手动设计 few-shot CoT 提示。

OpenAI 公布的评测数据展示了这种范式的威力：

基准测试	GPT-4o	o1-preview	o1	说明
AIME 2024（数学竞赛）	13.4%	56.7%	83.3%	美国数学邀请赛准确率
Codeforces（编程竞赛）	第 11 百分位	第 62 百分位	第 89 百分位	编程竞赛排名百分位
GPQA Diamond（博士级科学问答）	56.1%	78.3%	78.0%	人类专家水平为 69.7%

这些数字揭示了一个重要信息：o1 在专业推理任务上的提升并非线性的"小幅改进"，而是跨越了一个数量级——从"基本不会做竞赛题"到"接近竞赛选手水平"。

推理时间缩放定律

传统的 Scaling Law 关注的是训练时计算——增加模型参数量和训练数据量可以持续提升性能。推理模型开辟了第二条缩放维度：推理时计算。给同一个模型更多的"思考时间"（即允许生成更长的 CoT），其准确率会持续提升。这意味着即使模型参数量固定，也可以通过增加推理预算来"解锁"更强的能力。

这一思想可以用以下框架理解：

$$\text{模型能力}=f(\underset{\text{训练时计算}}{\underbrace{\text{参数量}\times \text{训练数据}}})+g(\underset{\text{推理时计算}}{\underbrace{\text{推理 Token 数}}})$$

其中 $f$ 是传统 Scaling Law 描述的训练阶段贡献，$g$ 是推理阶段通过 CoT 带来的额外增益。OpenAI o1 的实验表明，$g$ 函数同样遵循某种幂律关系——推理计算量每翻倍，竞赛数学准确率约提升一个档次。这意味着研究者现在有两个"旋钮"可以调节模型能力：一个是训练阶段的 FLOPs 预算，另一个是推理阶段的 token 预算。

过程奖励模型（PRM）

推理模型的一个关键技术组件是过程奖励模型（Process Reward Model, PRM）。与传统的结果奖励模型（Outcome Reward Model, ORM）只在最终答案处给出奖励不同，PRM 对推理过程中的每一步都给出评分。直觉上，PRM 就像一个数学老师——不只看学生最终答案对不对，还检查每一步推导是否正确。

PRM 的引入带来了两个好处：第一，它提供了更密集的训练信号，解决了 RL 中稀疏奖励的问题；第二，它可以在推理时实现最佳优先搜索（Best-of-N Search）——生成多条推理路径，用 PRM 评估每条路径的每一步质量，选择综合得分最高的路径作为最终输出。

DeepSeek-R1：开源推理模型的里程碑

2025 年 1 月，DeepSeek 团队发布了 DeepSeek-R1，在多项推理基准上达到了与 o1 相当的水平，并且完全开源了模型权重。DeepSeek-R1 的技术路线揭示了一个重要发现：纯 RL 训练就能让模型涌现出 CoT 推理能力。

DeepSeek-R1 的训练分为两个阶段：

• 第一阶段（纯 RL）：从 DeepSeek-V3 基座模型出发，仅使用基于规则的奖励（如数学题的答案正确性、代码的测试用例通过率），通过 GRPO（Group Relative Policy Optimization）算法进行大规模 RL 训练。研究者发现，模型在 RL 过程中自发涌现出了自我验证（self-verification）、反思（reflection）和纠错（self-correction）等高级推理行为——这些行为并非通过示例教授，而是模型为了获得更高奖励而自主发展出来的策略。
• 第二阶段（蒸馏 + SFT）：将第一阶段产生的高质量 CoT 数据用于监督微调，提升模型输出的可读性和格式规范性。这一阶段同时也修复了纯 RL 模型在语言混杂、格式混乱等方面的问题。

此外，DeepSeek 还发布了一系列蒸馏模型（如 DeepSeek-R1-Distill-Qwen-32B、Distill-Qwen-14B 等），证明了推理能力可以从大模型向小模型迁移——即使是 14B 参数的蒸馏模型，在数学推理上也超过了直接用 RL 训练的同规模模型。这为端侧设备上运行推理模型开辟了可行路径。

从 o1 到 o3/o4-mini：持续进化

OpenAI 在 o1 之后持续迭代：2025 年初发布了 o3 和 o4-mini，进一步提升了推理效率和准确率。o3 在 ARC-AGI 基准上取得了突破性表现，o4-mini 则在保持推理能力的同时大幅降低了推理成本。这条路线的核心演进方向是：

阶段	代表模型	核心技术	关键特征
CoT 提示	GPT-4 + few-shot CoT	手工设计提示模板	提升有限，依赖 prompt 工程
训练时 CoT	o1 / R1	RL + CoT 蒸馏	模型学会自主推理，性能跨量级提升
验证器驱动	o1-pro / o3	过程奖励模型（PRM）	每步推理都获得反馈，减少错误传播
推理效率优化	o4-mini / R1-Distill	蒸馏 + 自适应推理预算	小模型也能做复杂推理，成本可控

---

24.6.2 多模态生成范式

从"看懂"到"创造"

早期的多模态大模型（如 GPT-4V、LLaVA）主要解决理解问题——给一张图片，模型能描述内容、回答问题。2024 年起，多模态范式发生了根本性跃迁：大模型不仅要"看懂"，还要能"创造"。这一转变沿三条技术路线展开。

路线一：统一理解与生成

2024 年 5 月发布的 GPT-4o（"o"代表 omni，即"全能"）是这条路线的里程碑。GPT-4o 的核心创新是将文本、视觉和音频三种模态统一在一个端到端模型中训练和推理，而非像前代模型那样通过 Whisper（语音识别）+ GPT-4（文本理解）+ TTS（语音合成）的级联管线拼接。

从 GPT-4o 技术报告披露的组织结构可以看到，该项目涉及超过 400 名研究人员，分为语言大模型项目（16 个小组、220+ 人，负责长文本、预训练、数据飞轮、Tokenizer 等）和多模态大模型项目（20 个小组、106+ 人，负责语音预训练、视觉感知与生成、编解码等）。这种规模的投入表明，真正的端到端多模态模型在工程复杂度上远超单一模态的 LLM。

统一架构带来了两个关键优势：

• 延迟大幅降低：级联管线中每个模块都会引入延迟，GPT-4o 的端到端架构使语音响应时间降至 320 毫秒，接近人类对话的自然延迟。
• 跨模态语义一致：模型能直接感知语音中的情感、语调、背景噪音等信息，而非仅依赖转录后的文本。这意味着当用户用焦虑的语气提问时，模型不仅理解文字内容，还能感受到情绪状态。

在开源社区，DeepSeek 发布的 Janus 系列代表了另一种统一思路：通过解耦的视觉编码器同时支持理解和生成。Janus 使用一个理解编码器（SigLIP）处理视觉理解任务，一个生成编码器（VQ tokenizer）处理图像生成任务，二者共享同一个 LLM 主干网络。这种设计避免了"理解需要高维语义表征、生成需要低维空间表征"之间的矛盾，因为两个编码器各自为其任务优化表征空间，只在 LLM 层面进行融合。

路线二：视频与 3D 生成

2024 年 2 月，OpenAI 发布 Sora 技术报告，宣告了视频生成领域的范式转换。Sora 的技术架构可以简洁表述为：

$$\text{Sora}=\text{VAE Encoder}+\text{Diffusion Transformer (DiT)}+\text{VAE Decoder}+\text{CLIP}$$

理解这个公式需要把握四个组件的角色分工：

1. VAE Encoder：将原始视频压缩为低维潜空间表示（Spacetime Patches），大幅降低后续处理的计算量。
2. Diffusion Transformer（DiT）：在潜空间中执行条件去噪生成。与传统扩散模型使用 U-Net 作为主干不同，Sora 使用 Transformer 架构，使得模型可以像 LLM 一样随参数量增长持续提升。
3. VAE Decoder：将 DiT 生成的潜空间表示还原为像素级视频数据。
4. CLIP + DALL-E 3：将文本条件注入生成过程，并使用 GPT-4 进行提示词扩充——将用户简短的提示词自动丰富为详细的场景描述。

图 24-27：Sora 的技术架构。原始视频经 VAE 编码器压缩为 Spacetime Patches，Diffusion Transformer（DiT）在潜空间进行条件去噪生成，文本条件通过 CLIP 和 DALL-E 3 注入，最终 VAE 解码器将潜空间表示还原为像素级视频。

Sora 的几项核心设计选择值得深入理解：

• 原生分辨率/时长训练：不裁剪、不缩放原始视频，直接以原生尺寸和时长训练。这使得模型学到了更好的构图和尺寸感知能力。
• DiT 取代 U-Net：传统的 Stable Diffusion 系列使用 U-Net 作为去噪主干，其结构固定导致模型规模受限。DiT 通过将去噪过程转化为 Transformer 的序列处理任务，打通了视频生成的 Scaling 路线。
• Re-captioning 数据工程：训练数据中的原始视频标注通常质量不高。Sora 使用 DALL-E 3 和 GPT-4 对视频进行详细的文本再标注，构建高质量的 Text-Video 配对数据集。

从 Sora 到后续的 Runway Gen-3、Kling（可灵）等产品，视频生成已经从"生成几秒钟模糊片段"进化到"生成数十秒高保真视频"。但正如 24.5 节讨论的那样，视频生成能力并不等于物理理解能力——生成的视频中仍然频繁出现违反物理常识的错误（如物体穿模、液体反重力流动等），这是当前视频生成模型最大的局限。

路线三：从理解到全模态

2024-2025 年间，多模态模型的演进方向从"多模态理解"走向"全模态统一"（Any-to-Any），即一个模型同时处理文本、图像、音频、视频的输入和输出。这条路线的关键里程碑包括：

时间	模型	能力范围	核心架构创新
2024.05	GPT-4o	文本+图像+音频 理解与生成	端到端多模态统一训练
2024.12	Gemini 2.0	文本+图像+音频+视频	原生多模态 + 工具调用
2025.01	Janus-Pro	图像理解 + 图像生成	解耦编码器 + 共享 LLM
2025.03	GPT-4o 原生图像生成	高质量文本驱动图像生成	自回归原生图像生成（非 DALL-E）

值得关注的是，2025 年 3 月 GPT-4o 更新的原生图像生成能力标志着一个重要转变：图像不再由独立的扩散模型（如 DALL-E 3）生成，而是由 LLM 本身在自回归解码过程中直接产出。这意味着语言模型和图像生成模型的边界正在消失。

---

24.6.3 工具调用范式

从对话到行动

大模型最初的交互形式是纯文本对话：用户提问，模型回答。但现实世界中的许多任务（搜索信息、编辑文件、执行代码、操作数据库）无法仅通过生成文本来完成。工具调用（Tool Use / Function Calling）赋予大模型"动手"的能力，是从"对话助手"到"自主 Agent"的关键跳板。

第一阶段：结构化函数调用

2023 年 6 月，OpenAI 为 GPT-3.5/4 API 正式推出 Function Calling 功能。模型不再只是返回自然语言文本，而是可以输出结构化的 JSON 格式函数调用请求，由外部系统执行后将结果返回给模型。以下是一个典型的调用流程示例：

import json

# 1. 定义可用工具的描述（传给模型的元信息）
tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "查询指定城市的天气信息",
        "parameters": {
            "type": "object",
            "properties": {
                "location": {"type": "string", "description": "城市名称"},
                "date": {"type": "string", "description": "日期，格式 YYYY-MM-DD"}
            },
            "required": ["location"]
        }
    }
}]

# 2. 模型决定调用工具，输出结构化 JSON（而非自然语言）
model_output = {
    "function": "get_weather",
    "arguments": {"location": "北京", "date": "2025-03-24"}
}

# 3. 外部系统执行函数
result = get_weather(**model_output["arguments"])
# result = {"temperature": 15, "condition": "晴", "wind": "北风3级"}

# 4. 将执行结果返回给模型，模型据此生成最终回答
# "北京今天天气晴朗，气温15°C，北风3级，适合户外活动。"

这一机制的关键在于：模型学会了何时该调用工具（而非凭记忆直接回答）以及如何构造参数（输出符合 JSON Schema 的结构化数据）。训练方法通常包括在 SFT 数据中加入大量工具调用示例，让模型学会在合适的时机输出特定格式的调用指令。

第二阶段：Agent 自主规划

Function Calling 解决了"单步工具调用"的问题，但复杂任务往往需要多步规划：分析任务需求、拆解子任务、按序调用多个工具、处理中间失败、整合最终结果。这就是 AI Agent 范式的核心。

Agent 的基本架构可以抽象为四个组件：

$$\text{Agent}=\text{LLM（大脑）}+\text{工具（手脚）}+\text{记忆（经验）}+\text{规划（策略）}$$

其中 LLM 负责理解任务、制定计划和生成工具调用指令；工具集包括搜索引擎、代码执行器、文件系统、浏览器等；记忆模块存储历史交互和中间结果（包括短期的工作记忆和长期的向量数据库）；规划模块协调整个执行流程。

2024 年最具影响力的 Agent 框架是 ReAct（Reasoning + Acting），它将推理和行动交织在一个循环中：

Thought: 用户要求分析某公司近5年的营收趋势。
         我需要先搜索该公司的财务数据。
Action:  search("某公司 2020-2024 年度营收")
Observation: [搜索结果: 2020年100亿, 2021年120亿, ...]
Thought: 数据已获取，接下来需要绘制趋势图并分析。
Action:  execute_code("import matplotlib; ...")
Observation: [图表已生成]
Thought: 图表显示营收持续增长但增速放缓，需要总结分析。
Action:  生成最终分析报告

这种"思考-行动-观察"的循环使得 Agent 能够动态调整策略：如果某个工具调用失败，Agent 可以尝试替代方案；如果中间结果不符合预期，Agent 可以回溯重新规划。

第三阶段：环境交互与自主执行

2024-2025 年，Agent 范式进一步进化，从"在沙盒中调用 API"走向"在真实环境中自主执行"。代表性产品包括：

• Claude Code（Anthropic，2025）：一个命令行 AI Agent，能够在开发者的本地环境中直接读写文件、执行 shell 命令、运行测试、操作 Git。它不是简单地建议代码修改，而是直接执行修改并验证结果。开发者只需用自然语言描述目标（如"给这个函数加上错误处理并写测试"），Claude Code 会自动分析代码库、编写修改、运行测试、检查结果。
• Manus（2025）：一个通用任务 Agent，能够操作浏览器、编写和执行代码、管理文件，完成从"帮我调研某个主题并整理成报告"到"帮我部署一个网站"等端到端任务。
• OpenAI Operator / Computer Use（2025）：通过截图理解 + 鼠标键盘操作的方式，Agent 直接操控浏览器界面（点击、滚动、输入），像人类一样完成网页上的复杂操作。这种方式的优势是不依赖任何 API——只要应用有图形界面，Agent 就能使用。

下表梳理了工具调用范式的三个演进阶段：

阶段	时间	核心能力	代表案例	人类角色
函数调用	2023	单步结构化调用	GPT Function Calling	用户触发每次调用
Agent 规划	2024	多步任务分解与执行	AutoGPT、MetaGPT、ReAct	用户设定目标，Agent 自主执行
环境交互	2025	直接操控真实环境	Claude Code、Manus、Operator	用户只需审查最终结果

这条演进路线的核心趋势是人类参与度递减：从"每一步都要人来触发"到"设定目标后全程自动"，人类的角色从"操作者"逐渐转变为"监督者"。与此同时，安全性和可控性成为越来越核心的设计约束——Agent 具备在真实环境中执行操作的能力后，误操作的代价也相应增大，因此确认机制、权限控制和操作审计变得不可或缺。

---

24.6.4 部署形态演进

从"黑箱 API"到"手机端运行"

大模型的部署形态决定了谁能使用它、在什么场景下使用、以及如何控制成本和隐私。2023 年至 2025 年间，部署形态经历了三个标志性阶段。

阶段一：闭源 API 主导（2023）

2023 年上半年，市场上性能最强的大模型（GPT-4、Claude、Gemini）全部以闭源 API 形式提供服务。开发者通过 HTTP 请求调用模型，按 token 计费，无法看到模型权重，也无法自行部署。这种模式的优势是使用门槛低、无需自建 GPU 集群，但缺点同样明显：

• 数据隐私风险：所有输入都发送到第三方服务器，对金融、医疗、政府等敏感领域来说难以接受。
• 成本不可控：高频调用场景下 token 计费迅速累积，一个日活百万的产品月度 API 账单可达数十万美元。
• 定制困难：无法针对特定领域微调，只能通过 few-shot 提示和 RAG 来适配业务需求。

阶段二：开源权重爆发（2024）

2023 年 7 月 Meta 发布 Llama 2 开启了开源大模型的大门，但真正的分水岭是 2024 年 7 月的 Llama 3.1。Llama 3.1 发布了 8B、70B 和 405B 三个版本，其中 405B 版本（约 820GB 权重）在 MMLU、HumanEval、MATH 等多项基准上与 GPT-4o 不相上下，首次实现了开源模型与最强闭源模型的性能对齐。

Llama 3.1 的技术要点包括：

• 训练数据：超过 15 万亿 token 预训练数据，数据混合比为 50% 常识知识、25% 数学与推理、17% 代码、8% 多语言。微调数据包括公开指令数据集和超过 2500 万个综合生成的示例。
• 后训练流程：采用 SFT + 拒绝采样（Rejection Sampling）+ DPO 三阶段对齐。这里的关键设计决策是使用 DPO 而非 RLHF 的 PPO 算法——因为 PPO 的训练稳定性不确定且制约 AI 集群规模扩展 Scaling Law。奖励模型（RM）的角色也不同于 ChatGPT：在 Llama 3.1 中，RM 用于对模型生成的多个回答进行质量排序并筛选最优作为 SFT 数据，而非像 PPO 流程那样直接参与在线 RL 训练。
• 蒸馏范式：405B 模型作为"教师"蒸馏出 70B 和 8B 版本，实现"先大后小"的能力迁移。这种方法比从头训练小模型更高效，因为大模型已经"学会"了如何回答，小模型只需模仿。

与此同时，Google 的 Gemma 系列和阿里的 Qwen 系列也在推动开源生态。以 Gemma 为例，它专门面向桌面和笔记本端运行设计，采用 Decoder-only Transformer 架构：

特征	Gemma 2B	Gemma 7B
参数量	约 25 亿	约 85 亿
隐藏维度	2048	3072
层数	18	28
注意力机制	MQA（1 个 KV head）	MHA（16 个 KV head）
激活函数	GeGLU	GeGLU
归一化	RMS Norm（前后各一次）	RMS Norm（前后各一次）
位置编码	RoPE	RoPE
词表大小	256,128	256,128
上下文长度	8192 token	8192 token

Gemma 7B 在 MMLU 上达到 64.3，超过 Llama 2 7B（45.3）和 13B（54.8），也超过 Mistral 7B（62.5）。但 Gemma 采用的是"开放模型"（Open Model）而非传统意义上的"开源"（Open Source）——免费获取权重但使用条款有限制，不遵循常规开源协议。这一微妙区别在整个开源大模型生态中普遍存在：Llama 系列同样有类似的使用条款限制。

到 2025 年，开源模型的阵营进一步壮大，并呈现出MoE 架构主导的趋势：

模型	发布方	总参数量	激活参数量	关键特征
Qwen3	阿里	235B	22B	推理、代码、多语言全面对标 GPT-4o
DeepSeek-V3	DeepSeek	671B	37B	训练成本仅 557 万美元
Llama 4 Scout	Meta	109B	17B	1000 万+ token 上下文
Llama 4 Maverick	Meta	400B	17B	128 专家的大规模 MoE

这些模型共同证明了一个趋势：开源模型在性能上已经不再是闭源模型的"低配替代品"，而是在多个维度上实现了对齐甚至超越。

阶段三：端侧部署（2024-2025）

随着量化技术（INT4/INT8/GPTQ/AWQ）和专用硬件（Apple Neural Engine、Qualcomm Hexagon NPU）的成熟，大模型开始走向手机、PC 和 IoT 设备：

• Apple Intelligence（2024）：在 iPhone/Mac 上本地运行约 3B 参数的模型，处理文本摘要、智能回复、图像理解等任务，隐私敏感数据不出设备。复杂请求则通过 Private Cloud Compute 路由到苹果自建的云端服务器。
• Gemma 2B / Phi-3-mini：专门设计用于在消费级硬件上运行的小模型，2B 参数配合 4-bit 量化后仅需约 1.5GB 内存，一台普通笔记本就能流畅推理。
• Qualcomm AI Hub / MediaTek APU：芯片厂商直接在 SoC 中集成 NPU 加速单元，将大模型推理速度提升数倍。

端侧部署的核心价值在于隐私和延迟：数据不离开设备，响应时间不受网络延迟影响，且推理的边际成本近乎为零（电量消耗忽略不计）。但端侧模型的参数量（通常 1B-7B）决定了其能力上限远低于云端大模型，因此 2025 年的主流方案是云-端协同：简单任务（文本摘要、格式转换、快速问答）在本地处理，复杂任务（长文档分析、代码生成、多步推理）上传到云端大模型。

下表总结了三种部署形态的核心差异：

维度	闭源 API	开源权重	端侧部署
代表案例	GPT-4o、Claude 3.5	Llama 3、Qwen3、DeepSeek-V3	Gemma 2B、Phi-3-mini
参数规模	数千亿（不公开）	8B-671B	1B-7B
使用门槛	最低（HTTP 调用）	中等（需 GPU 服务器）	较低（消费级设备）
数据隐私	低（数据发送到第三方）	高（自行部署）	最高（数据不出设备）
定制能力	受限（仅 few-shot/RAG）	强（全参微调/LoRA）	有限（量化约束）
推理成本	按 token 计费	一次性硬件投入	近乎零边际成本
离线可用	否	是（本地部署后）	是

---

24.6.5 四条主线的交汇与展望

上述四条范式演进路线并非彼此独立，而是在多个交汇点上相互增强，形成了一个立体的技术演进网络。

推理 + Agent：推理模型的 CoT 能力天然适配 Agent 场景。一个能深度推理的 Agent 可以在复杂任务中制定更合理的计划、预判工具调用的后果、发现并修正中间步骤的错误。2025 年的 Claude Code 和 OpenAI 的 Deep Research 已经展示了"推理 Agent"的初步形态——这些产品在解决复杂编程任务或深度调研任务时，会在内部展开长达数千 token 的推理过程，远超简单的指令跟随。

多模态 + Agent：当 Agent 具备视觉理解和生成能力后，其可操作的环境从"命令行 + API"扩展到"图形界面 + 物理世界"。Computer Use 类 Agent 通过"截取屏幕 -> 理解界面元素 -> 执行点击/输入操作"的循环，能够使用任何具有图形界面的软件，无需该软件提供 API。这极大地扩展了 Agent 的适用范围。

开源 + 端侧：开源权重是端侧部署的前提——只有拿到模型权重，才能进行量化压缩并部署到本地设备。Llama 3/Gemma/Qwen 系列同时发布了多种规模的模型，从 405B 的云端版本到 2B 的端侧版本，覆盖了完整的部署光谱。

推理 + 开源：DeepSeek-R1 的开源证明了推理模型不必是闭源专属。通过蒸馏技术，推理能力可以迁移到 14B 甚至 7B 的小模型中，使得端侧设备也具备一定的"深度思考"能力。

推理 + 多模态：2025 年出现的多模态推理模型（如支持图像输入的 o3）预示着下一个融合方向——模型不仅能对文本问题进行深度推理，还能对视觉信息进行逐步分析。例如，面对一张复杂的数学证明手写稿，模型可以先识别符号，再逐步验证每一步推导的正确性。

站在 2025 年的时间节点回望，大模型的范式演进呈现出一个清晰的趋势：模型能力的边界在持续扩展（从文本到多模态，从理解到生成，从对话到行动，从简单推理到深度思考），而使用门槛在持续降低（从闭源 API 到开源权重，从云端集群到手机端运行）。这两个方向的交汇，正在将大模型从"科技公司的核心资产"转变为"人人可用的基础设施"。

本节以"范式演进框架"的视角梳理了推理模型、多模态生成、工具调用和部署形态四条主线的技术脉络与典型案例。理解这些范式的核心差异与演进逻辑，有助于读者在面对快速变化的大模型领域时，把握技术发展的主旋律，而非迷失在层出不穷的模型名称和跑分数字中。