模型边界04：开源与闭源模型

从效果、成本、部署、隐私和生态支持的取舍，理解开源模型和闭源模型的适用场景。

模型边界03：多模态能力

从文本、图片、语音、视频输入的适用场景，理解多模态模型的能力边界和使用方法。

模型边界02：推理与检索

从模型记忆、外部知识、RAG 到工具调用，理解推理和检索的职责边界，以及如何让模型在合适的场景使用合适的能力。

模型边界01：幻觉来源

从训练数据、上下文缺失、采样随机性到错误归纳，理解大模型为什么会产生幻觉，以及如何减少幻觉。

模型基础05：Embedding

从向量表示、语义相似度、向量空间的边界到常用模型，理解 Embedding 为什么是 RAG 和语义搜索的基础。

模型基础04：大模型工作方式

从 Token 化、上下文窗口、采样参数到指令遵循，理解大模型是如何处理输入并生成输出的。

模型基础03：Transformer

从 Attention 机制、位置编码、编码器-解码器架构到上下文建模，理解 Transformer 为什么能成为大模型的基础架构。

模型基础02：深度学习基础

从神经网络结构、反向传播算法、表示学习到参数规模，理解深度学习为什么能从数据中自动学习特征。

模型基础01：机器学习基础

从训练与推理的区别、特征工程、过拟合与泛化，到评估指标和常见算法，理解机器学习的核心概念和适用边界。