第二单元的核心线索是"大模型眼里的文字和人类不一样"。从 token 这个基本单位出发，我们串起了上下文窗口的容量限制、长对话变贵的原因、next-token prediction 的生成机制、以及温度如何影响输出的稳定性和多样性。
你应该已经掌握
- Token 是模型的文字积木：模型不读句子，它把文字切成 token 再处理。输入、输出、费用最终都绕不开 token
- 上下文窗口不是长期记忆：模型只能"看到"当前窗口里的内容。窗口外的信息需要外部系统（摘要、数据库、本地存储）来管理
- Next-token prediction 是生成的核心：模型每次只预测下一个最可能的 token，这个简单动作在大规模训练后能涌现出类似理解的表现
- 温度控制探索程度，不是聪明程度：低温稳定（适合事实核对），高温发散（适合头脑风暴），都不能替代事实核查
关键直觉
模型不是一个"读完句子然后回答"的对话者，而是一个"根据当前上下文中的 token 序列，预测下一个 token"的续写器。你给的上下文越清楚，它续写得越准确；上下文越模糊，它越要猜。
单元测验
检查一下你对本单元核心概念的理解（共 3 题）
1. 大模型「眼中」的文字单位是什么？
2. 关于上下文窗口，以下哪种说法正确？
3. Temperature（温度）参数控制的是什么？
进入下一单元
理解生成机制后，第三单元将面对更实际的问题：模型能推理吗？怎样提问才能得到可检查的答案？它为什么会一本正经地胡说八道？