人工智能常用的模型可分为以下几类，涵盖基础算法到大型预训练模型：

一、基础机器学习模型

1. 线性回归

   用于预测连续变量，通过拟合**直线建立自变量与因变量关系，适用于金融、医疗等领域。

2. 逻辑回归

   二分类问题的基础模型，通过S形曲线预测概率，常用于医疗诊断、信用评估等场景。

3. 决策树

   通过树状结构进行分类和回归，具有高解释性，适用于金融分析、客户细分等。

4. 支持向量机（SVM）

   通过最优超平面分类数据，适用于文本分类、图像识别等，尤其在生物信息学中表现突出。

5. 随机森林

   多决策树集成，通过投票或平均结果提升预测准确性，常用于推荐系统、风险评估等。

二、深度学习模型

1. 卷积神经网络（CNN）

   用于图像识别、物体检测，通过卷积层提取局部特征，框架包括TensorFlow、PyTorch等。

2. 循环神经网络（RNN）

   处理序列数据（如文本、语音），通过循环连接捕捉时间依赖性，LSTM是其变种，适用于机器翻译、语音识别。

3. 长短期记忆网络（LSTM）

   专门处理长期依赖关系，优化了RNN的局限性，常见于时间序列预测、情感分析等任务。

三、自然语言处理（NLP）模型

1. GPT系列（OpenAI）

   包括GPT-4o、GPT-4o-Mini等，擅长文本生成、编程辅助，尤其在复杂推理任务中表现优异。

2. Claude系列（Anthropic）

   注重伦理安全和逻辑推理，适用于企业级安全敏感场景，如代码审查、风险评估。

四、跨模态与生成模型

1. 跨模态大模型

   实现文本-图像/视频生成，如可灵2.0视频生成模型，提升动态质量与艺术风格表现。

2. 科学计算大模型

   帮助科研人员处理海量数据，如蛋白质结构预测、新药研发，提升科研效率。

五、强化学习模型

通过奖励机制优化决策，适用于游戏、机器人控制等场景，如DeepMind的AlphaGo。