大模型和传统机器学习的核心区别是什么？
参考视频：面试必刷：大模型和传统机器学习模型的核心区别是什么？_哔哩哔哩_bilibili
回答思路：从模型结构和容量、训练数据、应用场景说明。
1. 从模型结构和容量方面，传统机器学习模型结构相对简单，参数较小，表达能力有限，一般针对某一特定场景进行处理；大模型拥有上亿甚至百亿更多的参数，结构复杂，能够拟合和理解各种复杂的高维数据分布；
2. 从数据需求方面，传统机器学习模型在小规模数据表现良好，依赖人工设计的特征工程，基于监督微调，泛化能力有限；大模型以海量的数据（文本、图像等多模态信息）进行无监督或者自监督预训练，先学习通用知识，再通过少量微调适配具体应用场景；
总结就是传统机器学习是小而专的，解决单一任务，依赖人工特征；
大模型是大而通，依靠海量数据和参数规模，基于transformer学到通用表示，可以跨任务跨场景应用，远超传统方法的泛化能力。
因此，传统机器学习适合结构化数据分析，小规模任务和对模型可解释性高的场景；
大模型擅长处理自然语言、计算机视觉等非结构化数据，支持复杂任务如生成、理解和推理。