## 一、能力与应用场景 | 能力 | 应用场景 | | --- | --- | | **文本生成与改写** | 写邮件、写报告、改写风格 | | **文本理解与摘要** | 总结长文、提取关键信息 | | **翻译** | 多语言互译，且理解语境 | | **对话与问答** | 客服、知识问答、面试模拟 | | **代码生成与解释** | 写代码、Debug、解释代码 | | **结构化提取** | 从非结构化文本中提取字段 | | **创意与头脑风暴** | 产品命名、广告语、方案构思 | ## 二、能力限制

局限	说明
信息可能过时	训练数据有截止日期，不借助外部工具联网不知道截止日期之后发生了什么
上下文窗口长度有限	目前最多上下文长度在1百万Token，超过可能提示达到限制，或者触发将前面的对话进行压缩摘要（导致模型可能丢失一定信息精度）
注意力稀释	上下文对话内容越长，它能够准确回答细节和回忆内容的能力就会下降越多
精确计算	复杂数学运算可能出错（它是"语言"模型，不是计算器）
幻觉	对于不知道的内容，可能"一本正经地胡说八道"
倾向于正面回答	模型在后训练中会引导成讨人喜欢，如果你问它某个决策（如创业点子）是否可行，它会倾向于给你肯定得回复。
不一定能无法理解图片/视频	纯文本模型：无法理解，通过OCR转成文本（如DeepSeek）进行解决。拼接图片/视频模型：分别训练文本、图片和视频模型，然后拼接在一起，不能充分理解图片和视频的意思。原生多模态：把文字、图片和视频一起训练（比如Gemini3、Kimi K2.5）可以比较好理解图片和视频的含义。
没有长期记忆	模型本身不支持长期记忆，新开会话就忘了之前的对话内容。目前像Chatgpt和Claude通过工程化的方式推出了长期记忆功能，在数据库中记录你的对话偏好、习惯等。