常见的大模型技术及其用途包括，要说出大模型的技术特征

常见的大模型技术主要包括以下几个方面：

1. 自注意力机制（Self-Attention）：如Transformer结构，这是大模型的关键组成部分，它允许模型同时考虑输入序列的所有部分，这在处理长距离依赖和序列建模上非常有效。常用于机器翻译和自然语言处理任务。

2. 预训练-微调（Pre-training & Fine-tuning）：大模型如BERT和GPT先在大规模无监督数据上进行预训练，然后针对特定下游任务进行微调，减少了对大量标注数据的依赖，提高泛化能力。

3. 深度学习（Deep Learning）：利用深层神经网络结构，如卷积神经网络（CNN）、循环神经网络（RNN）或递归神经网络（Recursive NN），可以捕捉复杂的模式和高级特征。

4. 多模态学习（Multimodal Learning）：结合文本、图像、音频等多种类型的数据，用于理解和生成跨模态的内容，如视觉问答和图像描述。

5. 强化学习（Reinforcement Learning）：大模型结合强化学习可用于决策制定问题，如AlphaGo中的围棋策略。

技术特征包括：
- 高参数量：拥有数亿到数千亿个参数，使得模型能学习到更丰富的知识表示。
- 并行计算支持：利用GPU和分布式计算平台，加速模型训练和推理。
- 可扩展性强：设计成模块化的结构，方便添加新层或调整层数以适应不同任务需求。