OpenAI的ChatGPT、o1推理模型、o3 Agent模型等展示了AI從生成內容到執行任務的轉變。文章通過40頁PPT回顧了大模型和AI Agent的發展歷程指出支撐它們持續發展的共同邏輯在于任務統一和大規模數據訓練。大模型通過Next-Token Prediction實現通用能力而AI Agent則具備自主理解、規劃和工具調用能力。未來AI Agent將朝著持續學習和主動Agent的方向發展并可能在社會智能階段實現更高級的人機協作。OpenAI最近半年有點拉胯但回頭梳理這一輪AI進展時我們還是得用它發布的產品和模型做線索。22年底的ChatGPT第一次讓大模型成為普通人可以直接使用的通用能力24年9月會自己思考的推理模型o1、25年初會自動調用工具的Agent模型o3、以及Deep Research等AI Agent應用我們看到了重心從“生成內容”逐漸轉向“執行任務”。這篇文章用40頁PPT我們一起回顧大模型和AI Agent的發展嘗試找到支撐它們持續發展的共同邏輯。大模型從“專用”到“通用”大模型前AI的關鍵詞是“專用”。以中英翻譯為例早期的知識工程方法需要翻譯專家手工編寫一條條規則傳統機器學習方法需要基于雙語語料學習條件概率傳統深度學習如BERT雖然引入了預訓練但仍需要針對每個任務進行微調。ChatGPT讓我們看到了通用性的可能同時完成問答、摘要、幾十種語言的翻譯以及風格化寫作等多種任務。實現這種通用性的主要原因是任務被統一了。大模型之前自然語言處理借鑒計算語言學把復雜任務拆解為一系列中間任務。比如傳統對話系統分為問題理解、對話管理和回復生成三個模塊問題理解模塊又會繼續拆解為分詞、詞性標注、句法分析、命名實體識別等多個中間任務。ChatGPT將整個對話過程統一成了Next-Token Prediction把前面的對話內容當作context一步一步地做“詞語接龍”猜下一個最合適的詞。為什么預測下一個詞就可以獲得通用的能力比如“This teriible movie was really boring”這句話要準確預測boring這個詞模型需要理解terrible和boring之間的語義關聯這實際涉及到了情感識別的能力。后面兩個例子一個需要根據前面的數值關系推算出正確結果本質上是代數運算另一個則需要邏輯推理能力。實現Next-Token Prediction所需要的這種token和token之間的關系是通過一種叫自注意力的機制來實現的。Transformer的核心就是一層層的自注意力矩陣而 GPT 本質上是 Transformer 的一個解碼器版本。所謂的預訓練是指給定上文模型通過這些自注意力層前向計算去預測下一個詞如果預測錯了就產生一個損失用來反向更新模型參數。這個過程在海量語料上進行直到盡可能多的token都被正確預測訓練結束。就是這樣一個樸素的Next-Token Prediction過程當放到整個互聯網規模的數據上去做時大力出奇跡量變產生了質變。可以說今天大模型的出現來自我們每一個人的貢獻過去二十年互聯網所積累的數據遠遠超過了人類歷史上此前所有可記錄信息的總和。大模型訓練用了多少數據量從2018年的GPT-1到2020年的GPT-3訓練數據量和模型容量都呈超指數級增長。GPT-3用了約1萬億1Ttoken進行訓練相當于一億本百萬字的小說。它包含1750億個參數。作為對比人腦有860億個神經元但模型參數更像是神經元之間的連接人腦這個連接的數量是百萬億。所以今天大模型的復雜程度還只相當于昆蟲的級別距離人類大腦還有幾個數量級上的差距。這一輪scaling的背后其實對應著 AI 研究中一個著名的經驗總結苦澀的教訓The Bitter Lesson。長期以來研究人員把大量精力用于精細改進算法上希望通過復雜的模型設計把loss再壓低一點點。但隨著算力、數據等資源的持續增長比起在算法上做微小改進不如增加一個橫軸簡單、通用的算法只要不斷擴大資源規模就可以獲得更顯著的loss下降。于是重心從算法變成了能讓scaling跑起來的工程化實現也就是實現向坐標軸右側的移動。這幾年的大模型訓練像是人類歷史上的又一次偉大工程實踐是系統性組織、資源整合和工程能力的集中體現。當然工程中也蘊含了算法在數據配比、模型結構規模選擇等關鍵環節需要通過對scaling law的研究來指導工程實現。GPT-3早在2020年就訓練好了但當時只有研究人員和少量極客使用因為它通過預訓練只學到了“詞語接龍”的能力。ChatGPT在GPT預訓練的基礎上增加了讓模型能“聽懂人話”的后訓練。預訓練像是天才兒童背書把圖書館的書都死記硬背了但還沒和世界真正互動過很難執行任務。后訓練包含兩個階段第一階段像是練習做題相當于通識教育階段老師給出有標準答案的問題模型學習理解問題、并給出正確答案。當模型能聽懂問題也能自己做題后進入第二階段的“實戰”類似研究生階段導師給課題往往沒有標準答案模型需要自己探索人類根據經驗和偏好進行評估和引導。2024年春節的Sora是從語言走向多模態的一個標志事件。語言因為數據易獲取且信息密度高成為了Next-Token Prediction最先成功的低垂果實。OpenAI內部當時應該有多條路線在同時嘗試通往AGI從iGPT到Sora是其中的一條多模態、尤其是視覺為核心的路線這從Sora發布時自稱“世界模擬器”也能看出來。但隨著Sam Altman對應用的強調和此后o1推理模型的推出這一路線的優先級下降Sora也停留在了視頻生成應用的層面。視覺本身包含的信息量遠高于語言。但多模態大模型長期依賴語言作為“腳手架”始終沒有完全擺脫語言監督的限制也還沒能真正實現自己的scaling law。如果對這一點感興趣可以參考前Sora 負責人Aditya在2024年智源大會的報告“Language as the Scaffolding for Visual Intelligence”。多模態大模型的另一個標志事件是2024年5月發布的GPT-4o大幅提升了語音自然交互的能力此前需要依次完成語音識別、自然語言對話、語音合成的三步流程合并為端到端的一步。這和ChatGPT替代傳統對話系統一樣用一個“通用”的模型取代由多個中間任務拼接而成的pipeline。站在這些模型背后的“那個男人”是OpenAI的首席科學家Ilya Sutskever。這個名字在AI發展的多個重要節點反復出現2012年他是AlexNex的第二作者也被普遍認為是核心方法的主要提出者開了深度學習2016年作為DeepMind團隊之外唯一的AlphaGo核心成員讓機器在極端復雜決策的問題上超越人類。Ilya也是2023年底OpenAI“宮斗”事件的主要發起者并最終在2024年5月從OpenAI離職.值得注意的是在他離職后2024年9月推出的o1推理模型仍然把他列為核心貢獻者Foundational Contributors。正是這一模型開啟了AI Agent的時代。AI Agent從“工具”到“工具的使用者”大模型出現之前AI的定位是“專用工具”。無論是專家系統、傳統機器學習還是早期的深度學習都依賴專業界面和明確指令解決的是邊界清晰的專用任務。在這種模式下AI 與歷史上此前技術革命沒有本質區別始終是被人類調用的工具比如在 Photoshop 中進行交互式摳圖。大模型帶來了通用任務能力和自然語言交互界面使AI成為人機協作的Co-Pilot人給出明確指令AI 按步驟執行。比如GPT-4o根據自然語言完成生成、摳圖或風格遷移。但在這一階段仍然是是人指揮一步AI執行一步。除了內容理解和生成的感知能力模型逐步具備了任務規劃、工具使用和記憶的認知決策和行動能力。AI 開始能夠直接理解目標導向的高層需求。例如提出“為新產品設計海報并發布到小紅書”Manus 可以自主拆解任務、調用工具或其他 Agent 來完成子任務。在這一階段AI 從副駕駛走向主駕駛Auto-Pilot也就是 AI Agent。按 OpenAI 的定義AI Agent 是具備自主理解、規劃、記憶和工具調用能力能夠自動完成復雜任務的系統。從 Agent 這個概念本身來看哲學和AI領域有不同定義。這里我們只采用技術層面的定義關注自主性、反應性和交互性不討論尚未形成共識的意識等問題。實際上Agent一直是AI發展的核心概念。從技術路徑看先后經歷了基于規則和基于強化學習兩個階段。AlphaGo以及OpenAI早期的游戲Agent依賴強化學習在單一任務、封閉環境中超過了人類的水平。今天的AI Agent建立在預訓練大模型之上通過預訓練獲得了世界知識先驗并以自然語言作為統一的任務接口從而突破了純強化學習方法在泛化性和通用性上的限制。從行為發起方式看AI Agent 又可以分為被動響應人類需求的 Autonomous Agent智能代理以及具備更強主動性和類人格特征的 Generative Agent社會智能體。下面我們主要關注前者-智能代理的發展。當前AI Agent主要有兩類應用操作型Agent更像“眼和手”擅長與環境交互和執行操作適用于重復性強、操作密集的自動化任務信息型Agent是“大腦”擅長信息檢索、知識整合和復雜分析適用于知識密集型任務。在實現方式上目前主要有三種GUI Agent、API Agent 和Agent-to-Agent。豆包手機采取的是GUI Agent的方案通過多模態能力模擬人與GUI的交互。優點是通用性好讓AI在不改變現有應用生態的情況下完成任務缺點是對模型能力要求較高對于復雜指令執行效率低。相比起來API Agent直接調用應用后臺接口執行效率高但前提是需要打通應用和Agent之間的協作通道。Agent-to-Agent是當前階段一種可能的折衷方案由系統級 Agent 負責理解目標與規劃再調用各類垂直App Agent執行具體任務在一定程度上兼顧通用性與效率。從長期看GUI Agent 和 API Agent 代表了兩條不同的發展思路。GUI Agent 的核心思想是讓AI適應人類已經存在的數字世界對應看人形機器人是讓AI適應人類的物理世界。相比物理世界數字世界更容易被改造。因此API Agent走的是另一條路徑為AI構建一個原生世界包括為AI設計的工具、接口和通信方式從而擺脫對人類界面的依賴。過去三年在AI Agent核心能力獲取和應用構建上我們看到了類似的從基于外部工作流向模型原生(model-native)發展的趨勢。核心能力層面任務規劃早期依賴類似 Chain-of-ThoughtCoT的提示詞來“觸發”在o1、R1這類推理模型中規劃過程以內生方式由模型直接生成工具使用從系統層的硬編碼工作流、基于ReAct的提示詞驅動逐步發展到o3等模型中作為原生能力出現記憶管理從以RAG為代表的外部檢索機制發展到像MEM1、MemAct等將記憶視為模型策略中一種特殊行為的方案。應用層面GUI Agent在2024年主要依賴閉源多模態模型外部Agent框架2025年從UI-TARS開始將感知、決策和操作等關鍵能力內化到模型中Deep Research Agent也從谷歌早期高度依賴工作流發展到OpenAI率先將核心環節模型化大幅提升了長程規劃能力和調研深度。以工具使用為例可以用幾個不太嚴謹的類比來理解模型原生的潛在優勢。基于外部工作流的工具使用包括類似Coze的可視化編輯系統流程的硬工作流和ReAct在提示詞中加入“思考(Reasoning)-行動(Action)-觀測(Observation)“循環的例子來引導的軟工作流。硬工作流有點像《水滸傳》里潘金蓮喂藥的固定腳本作為執行環節的大模型就像被喂藥的武大郎別無選擇只能完全遵從。軟工作流稍微靈活一些更像《西游記》里最后一難過通天河時觀音給老黿的指令。是否遵從指令要結合執行時的具體上下文由老黿自己決定。模型原生的方法大致可以分兩種生成式原生和端到端原生。第一種生成式原生的代表是推理模型之后的做法比如Manus先用模型原生的推理能力做任務分解與規劃生成一個結構化行動計劃再結合每一步觀測到的局部上下文逐步調用工具或子Agent去執行。對應的例子是《三國演義》里的周瑜有強大的推理能力可以自主規劃。但受限于能觀測到的信息因此可能成功如赤壁之戰的苦肉計也可能因為信息不完備而翻車入賠了夫人又折兵。第二種端到端原生更進一步像o3這類模型在大量“多輪思考-工具調用”的任務軌跡上訓練讓模型在思考過程中自己決定何時、如何調用工具。這可以用諸葛亮的“隆中對“來理解。諸葛亮在出山之前已經為劉備推演了天下未來數十年的走向。因此在執行時能結合推演和終局做出最優的規劃和決策。面向任務目標對模型的規劃和工作調用行為進行端到端優化。模型在規劃和執行時由于面向任務目標進行了訓練是基于全局上下文的就好像能“看”到未來。前面我們用Next-Token Prediction(NTP)解釋了為什么大模型預訓練能夠獲得通用能力。同樣的視角也可以用來理解模型原生AI Agent的能力來源。核心在于規劃、工具使用和記憶管理能力的內化訓練本質上是在優化一種“廣義的 Next-Token Prediction”。在 AI Agent 場景中被預測的“序列”不再只是自然語言 token還有plan/subgoal規劃序列tool-call工具調用序列狀態的控制與更新記憶管理序列當這些能力被統一為token序列預測目標它們就自然繼承了NTP所帶來的scaling特性。從更抽象的角度看LLM 的預訓練通過實現序列預測學習到的是一個通用的序列生成圖靈機模型原生 AI Agent 的訓練通過對“任務完成過程中交互序列”的預測學習到的是一個通用的序列交互圖靈機。關于Next-Token Prediction與學習圖靈機的關系以及為什么它可以scaling的理論基礎下一部分我們從計算信息學的角度做一個簡單理解。Next-Token Prediction的計算信息學視角2024年的諾貝爾物理學獎頒給了Hopfield和Hinton獎勵他們將物理思想和方法應用于機器學習。但從物理學的角度更長遠的意義可能是: 他們為”從信息的角度建模和理解世界“提供了一條可行的路徑。經典物理在宏觀尺度上用物體、力和運動來理解世界量子物理在微觀尺度上將世界還原為粒子、波函數與場的相互作用信息物理學則嘗試從信息與計算的視角對物質、能量乃至時空結構進行統一刻畫和解釋。信息最早被香農定義用來描述通信系統中信號的編碼和傳輸但很快人們發現信息熵公式與玻爾茲曼的熱力學熵公式驚人的相似。惠勒則進一步提出了“It from Bit”物理世界中的一切“存在”It粒子、場、時空結構都源于一系列基本的“是/否”選擇Bit。信息可能與質量、能量等一樣是物理世界的一種基本屬性而且或許是更底層的描述語言。如果說香農定義了信息的度量圖靈則劃定了信息在資源無限的理想條件下這種預測過程可以逼近最優的計算裝置也就是最優的圖靈機。因此Next-Token Prediction之所以能持續scaling是有理論依據的它同時解釋了僅通過不斷scale up數據、模型和算力就可能逐步逼近通用智能。Ilya在2023年8月的一次報告中首次討論了大模型訓練與所羅門諾夫歸納之間的關系。可以認為基于Next-Token Prediction的大模型預訓練是對所羅門諾夫歸納的工程化實現在有限資源約束下對“最優可計算裝置”的持續逼近。[從計算理論看語言模型的scaling law和多模態模型的發展]Ilya在 2016 年找到了二者的關聯從而堅定了Next-Token Prediction的技術路線和scale up的信仰。當Transformer架構出現后IIya認為這就是他所需要的進行scale的工具于是在OpenAI推動了算法工程化和工程算法化的范式變革進而帶來了今天GPT系列和大模型的成功。回顧這條時間線圖靈在1936年提出了圖靈機作為最廣義的計算裝置所羅門諾夫在1964年完成了所羅門諾夫歸納的證明給出了最廣義的學習方式直到快60年后Ilya才在GPT-3中通過對大模型的大規模Next-Token Prediction訓練第一次在工程層面實現了這一思想。在處處談scaling law和大模型原生的今天2個時代、甚至3個時代前的AI人和AI方法已經被認為過時了。但如《人工智能簡史》的作者所說的“理論不是落后于實踐而是太超前了”。[人物 | 所羅門諾夫大語言模型的先知]“酒還是陳的香”也許是我們還不夠老還沒有學會到更早的經典理論中去尋找指導。萬一可以找到另一個大模型的第一性原理呢2026持續學習和主動Agent2026年初的AI領域依然熱鬧、也依然浮躁。噪音之中我們嘗試尋找信號。第一個信號和Ilya時隔一年多再次接受采訪中的一句話有關“我們正在從 scaling 的時代進入 research 的時代”。他所說的research可能是什么回答這個問題需要先看看我們已經經歷了哪些research-scaling循環讓我們回到“從算力到智能的 Sweet Lesson”。過去十年算力規模提升了百萬倍。當算力成為主要的推動因素后AI發展的一條核心線索是如何把越來越多的算力以盡可能高的效率轉化為智能的提升。這一過程大致經歷了算法和數據兩個階段。早期從SVM到DNN再到Transformer是在算法側消化算力讓模型能夠在大規模數據上訓練更大的參數規模到Transformer已基本收斂了。接下來要解決的是如何提供源源不斷的數據。這包括了預訓練基于自監督學習可以吃掉整個互聯網的數據以及后訓練通過強化學習將算力轉化為高質量的合成數據。所以大模型和AI Agent的發展已經經歷了兩輪的research-scaling循環Transformer和自回歸語言模型的research帶來的大規模預訓練的scaling以及大語言模型強化學習的research帶來后訓練數據的scaling。Ilya 所說的新的“research 時代”正是重新打開下一輪scaling空間的關鍵問題。這個問題的答案很可能是Hassabis也在多個場合提到的“AGI實現之前需要解決的幾個核心問題”之一的“持續學習”(continual/self-evolving learning)。這意味著模型參數不再是離線訓練后就是靜態的而是可以在推斷的過程中持續更新實現“越用越聰明“。相比后訓練在“模擬經驗”數據上scaling持續學習是把執行任務過程中的真實經驗數據沉淀、內化為模型能力實現真正的test-time scaling。[模型原生的智能體記憶存算一體持續學習]Google的Nested Learning工作和NVIDIA的TTT-E2E是這個方向最近值得關注的工作。這里還有一個問題預訓練的scaling我們已經可以放在NTP的理論框架下解釋。后訓練RL的scaling以及接下來可能實現的持續學習的scaling是否也存在類似的理論解釋直觀感覺后訓練和持續學習也是在做某種NTP只是學習分布和學習方式發生了變化。在后訓練階段模型不僅擬合觀測到的數據分布而通過模擬環境中的離線主動交互篩選出高獎勵的軌跡本質上是在一種獎勵約束的特定分布上進行 NTP將高價值的任務執行路徑壓縮到模型參數里。在持續學習階段模型可以看成在真實世界的非平穩分布上進行NTP通過在線主動交互持續捕捉環境的動態變化應對失效的靜態預訓練知識。期待可以看到進一步的理論研究討論NTP能夠作為統一的視角解釋從預訓練、到強化學習、再到持續學習的 scaling 行為以及這些路徑的能力邊界在哪里。第二個信號讓我們把視角進一步拉高從生物智能的演化中尋找線索。馬毅老師提出了智能演化的四階段路徑物種智能 - 個體智能 - 社會智能 - 機器智能將機器智能作為前三階段自然演化智能的延續。智能本質上是相通的。如果將機器智能看作一種新的智能形式它的演化很可能會重復生物智能的物種-個體-社會三階段路徑。我們看到機器智能的發展有很多和生物智能相似的地方。 [AI Agent 的發展能力、技術架構和軟硬件形態]首先驅動生物智能進化背后的是能量供給的增長對應了前面討論的機器智能提升背后的算力增長。這包括了指令式計算階段的摩爾定律和智能計算階段的規模定律。從物種智能進入個體智能階段生物智能和機器智能的發展重心都從“硬件”轉向了“軟件”。生物智能方面由基因決定的物種級生理結構進化速度放緩轉向以學習和經驗驅動的個體智能發展。機器智能方面則對應了前面討論的從算法到數據過渡的算力-智能階段在基于Transformer的模型算法架構成熟和穩定后機器智能的提升主要來源于數據和經驗。進一步進入社會智能階段AI Agent將從被動的智能代理轉變為主動的社會智能體。智能代理以完成人類指定的任務為目標社會智能體則是具備身份、信用、價值交換能力成為社會主體之一可以基于社會身份自主設定目標和發起任務。人機關系將經歷類似生物智能后工業革命時代從“人主導、機器輔助”human-in-the-loop到“人監督、機器執行” (human-on-the-loop)再到某些場景下由 AI 按需調用人類能力的“機器主導、人輔助”human-on-demand的轉變。根據喬布斯在40年前總結的“在越來越高的抽象級別上使用計算機”的規律我們現在已經經歷了從機器碼與高級語言階段的how to do到大模型階段的what to do再到當下 AI Agent 階段的what I want。社會智能體將繼續在更高的抽象層級上滿足人類需求。當需求進一步抽象甚至可以被表達為一種“角色”who you are。這種模式下人授權機器在某個角色身份下自主決策和行動機器可以主動發起行為、持續與環境互動甚至在必要時反過來向人類指派任務。因此大模型與 AI Agent 的發展不僅是一場技術變革更是一場深層次的社會變革。2026 年隨著越來越多AI Agent形態的應用落地技術-應用鴻溝正在被逐漸填平社會層面的影響也將開始顯現。從“只給建議”的聊天機器人到能“把事情做完”的Manus這種轉變尚未被完全適應但從被動響應走向主動行動的Clawdbot已經呼嘯而來。如何學習大模型 AI 由于新崗位的生產效率要優于被取代崗位的生產效率所以實際上整個社會的生產效率是提升的。但是具體到個人只能說是“最先掌握AI的人將會比較晚掌握AI的人有競爭優勢”。這句話放在計算機、互聯網、移動互聯網的開局時期都是一樣的道理。我在一線科技企業深耕十二載見證過太多因技術卡位而躍遷的案例。那些率先擁抱 AI 的同事早已在效率與薪資上形成代際優勢我意識到有很多經驗和知識值得分享給大家也可以通過我們的能力和經驗解答大家在大模型的學習中的很多困惑。我們整理出這套AI 大模型突圍資料包? 從零到一的 AI 學習路徑圖? 大模型調優實戰手冊附醫療/金融等大廠真實案例? 百度/阿里專家閉門錄播課? 大模型當下最新行業報告? 真實大廠面試真題? 2026 最新崗位需求圖譜所有資料 ?? 朋友們如果有需要《AI大模型入門進階學習資源包》下方掃碼獲取~① 全套AI大模型應用開發視頻教程包含提示工程、RAG、LangChain、Agent、模型微調與部署、DeepSeek等技術點② 大模型系統化學習路線作為學習AI大模型技術的新手方向至關重要。 正確的學習路線可以為你節省時間少走彎路方向不對努力白費。這里我給大家準備了一份最科學最系統的學習成長路線圖和學習規劃帶你從零基礎入門到精通③ 大模型學習書籍文檔學習AI大模型離不開書籍文檔我精選了一系列大模型技術的書籍和學習文檔電子版它們由領域內的頂尖專家撰寫內容全面、深入、詳盡為你學習大模型提供堅實的理論基礎。④ AI大模型最新行業報告2025最新行業報告針對不同行業的現狀、趨勢、問題、機會等進行系統地調研和評估以了解哪些行業更適合引入大模型的技術和應用以及在哪些方面可以發揮大模型的優勢。⑤ 大模型項目實戰配套源碼學以致用在項目實戰中檢驗和鞏固你所學到的知識同時為你找工作就業和職業發展打下堅實的基礎。⑥ 大模型大廠面試真題面試不僅是技術的較量更需要充分的準備。在你已經掌握了大模型技術之后就需要開始準備面試我精心整理了一份大模型面試題庫涵蓋當前面試中可能遇到的各種技術問題讓你在面試中游刃有余。以上資料如何領取為什么大家都在學大模型最近科技巨頭英特爾宣布裁員2萬人傳統崗位不斷縮減但AI相關技術崗瘋狂擴招有3-5年經驗大廠薪資就能給到50K*20薪不出1年“有AI項目經驗”將成為投遞簡歷的門檻。風口之下與其像“溫水煮青蛙”一樣坐等被行業淘汰不如先人一步掌握AI大模型原理應用技術項目實操經驗“順風”翻盤這些資料真的有用嗎這份資料由我和魯為民博士(北京清華大學學士和美國加州理工學院博士)共同整理現任上海殷泊信息科技CEO其創立的MoPaaS云平臺獲Forrester全球’強勁表現者’認證服務航天科工、國家電網等1000企業以第一作者在IEEE Transactions發表論文50篇獲NASA JPL火星探測系統強化學習專利等35項中美專利。本套AI大模型課程由清華大學-加州理工雙料博士、吳文俊人工智能獎得主魯為民教授領銜研發。資料內容涵蓋了從入門到進階的各類視頻教程和實戰項目無論你是小白還是有些技術基礎的技術人員這份資料都絕對能幫助你提升薪資待遇轉行大模型崗位。以上全套大模型資料如何領取