AI模型分类体系深度研究报告：从LLM到LAM的八类架构全景与演进逻辑

来源类型：本地文档（raw/articles/ 增量 ingest）
日期：2026-06-24
Tags：DeepSeek, AI Agent

概述

研究日期: 2026年6月24日 研究类型: 技术分析报告（tech-analysis） 深度级别: 标准型（12,000-15,000字） 输出格式: Markdown 人工智能领域正经历从单一模型范式向多维度、多模态、多层次模型生态系统的深刻演进。本报告以用户提供的八大模型分类（LLM、多模态模型、VLM、LAM、SLM、MoE、扩散模型、领域/科学基础模型）为核心锚点，结合公开技术趋势与本地研究数据（参考用户AI研究wiki：DeepSeek V4、Figure AI Helix-02架构、AgentTeams多智能体架构等），系统性地解析了每一类模型的技术本质、架构差异、能力边界与商业落地路径。 核心发现如下： - 大语言模型（LLM）：已从"通用对话工具"蜕变为AI系统的中枢神经，百万级上下文窗口、MoE架构优化与开源策略正在重塑产业格局；但数据枯竭与推理成本的双重压力预示其并非终局形态

核心要点

• • 大语言模型（LLM）：已从"通用对话工具"蜕变为AI系统的中枢神经，百万级上下文窗口、MoE架构优化与开源策略正在重塑产业格局；但数据枯竭与推理成本的双重压力预示其并非终局形态
• • 多模态模型与VLM：视觉-语言融合已成为AI感知世界的默认接口，但"看见"与"理解"之间仍存在深度的语义鸿沟；VLM作为视觉专精分支，正在从感知向推理跃迁
• • 大型动作模型（LAM）：代表AI从"数字智能"向"物理智能"的关键跨越。Figure AI的Helix-02架构（7B VLM顶层+千万级参数本地底层，1000Hz控制频率）揭示了LAM的核心设计哲学——物理世界要求的是毫秒级确定性，而非云端大模型的宏大批判，但"便宜不过人工、好不过专用机械臂"的商业困境是当前最大掣肘
• • 小型语言模型（SLM）：终端AI的"毛细血管革命"。端侧推理正在从"边缘补充"变成"第一性设计"，与LAM的融合预示着"感知-理解-行动"全链路本地化时代的到来
• • 混合专家模型（MoE）：不是单纯的效率优化手段，而是AI架构向"类脑模块化"演进的先声。稀疏激活机制使万亿参数模型在消费级成本下运行成为可能，同时为领域/科学基础模型的垂直深耕提供了架构基础
• • 扩散模型：从图像生成的"明星"演变为科学计算、药物发现、材料设计等领域的"隐形基础设施"。其反向去噪过程本质上是物理系统的时间演化模拟器
• • 领域/科学基础模型：从"通用AI的追随者"变为"垂直科学革命的发动机"。AlphaFold之后的第二波浪潮正在走向物理仿真、气候预测、分子设计等高价值、高壁垒场景
• • 关键交叉趋势：八类模型并非孤岛，而是以"多模态融合+端云协同+领域深耕"的三轴坐标系持续交汇。AgentTeams与HiClaw等平台的出现，标志着AI模型从单体能力向"模型编排生态"的范式跃迁

来源

原始文件：AI模型分类体系深度研究报告-2026-06-24.md

引用统计

本文档收录于 wiki sources，支持通过 wiki/index 检索。