0 引言
交通运输是支撑国民经济和社会发展的基础性和服务性行业。随着城市化进程加快与交通需求持续增长，交通运输行业在效率、安全、环境、服务等方面面临多重挑战。大模型凭借其在数据处理、模式识别、复杂推理和人机交互等方面的独特优势，为应对上述挑战、推动行业转型升级提供了新的技术路径与解决思路。国内外学者针对大模型在交通运输行业的应用研究主要集中在以下方面：一是研究交通垂直领域大模型构建方法，如黄世泽等[4]基于开源大模型，通过微调和检索增强生成的方式构建了交通科普大模型；二是针对交通运输行业具体场景（如交通流量预测、智慧运维、异常事件检测、自动驾驶等）需求，研究提出基于大模型的技术方案或算法，如Wang等[5]基于大模型提出了线性矩阵方法，用于实现自主车辆（Connected Automated Vehicles, CAV）及车队的协调控制；三是研究大模型在交通运输行业的应用前景，如邱暾等[6]分析了大模型在高速公路领域的应用，探讨其解决交通痛点的潜力和存在的限制，王辉等[7]研究指出人工智能（Artificial Intelligence, AI）大模型可用于实时交通流监测、路径优化、交通拥堵预测、红绿灯控制、智能导航、智慧物流、智慧驾驶等方面。
然而，现有研究尚未针对交通运输行业痛点问题与行业特征，提出面向实际需求的大模型应用策略与技术方案。本文将对大模型核心技术能力与交通运输行业的适配性进行分析，在此基础上，研究大模型在交通运输行业应用的逻辑框架、技术路径与实施策略，以期为大模型在交通运输行业的落地应用提供指导，并对提升交通运输系统效率、保障运营安全、改善出行体验及推动可持续发展产生积极影响。
1 大模型在交通运输行业的应用研究进展
1.1 大模型在交通运输行业的典型应用场景
大模型按照应用领域分类，通常分为能在多个领域和任务上通用的L0通用大模型，用于特定行业或领域的L1行业大模型，以及用于特定任务或场景的L2垂直大模型。交通大模型属于L1行业大模型或L2垂直大模型，其是在对通用大模型进行进一步训练和调整的基础上，形成的能更好地理解交通运输领域知识、更有效地执行专业任务的模型。表1所示为较为热门的交通大模型，涉及综合交通、轨道交通、交通管理、自动驾驶、航运等领域。
表1 部分交通大模型汇总 |
| 名称 | 开发单位 | 特点 |
|---|---|---|
| TransGPT[8] | 北京交通大学等 | 是基于Transformer架构的文本大模型，能实现交通情况预测、智能咨询助手、公共交通服务、交通规划设计、交通安全教育、协助管理、交通事故报告和分析、自动驾驶辅助系统、交通政策研究等功能 |
| TrafficGPT[9] | 北京航空航天大学 | 以大语言模型为基座，融合多元交通行业模型，接入海量交通专业数据，具备多模态交通数据处理、智慧交通辅助决策、交通安全智能分析等能力 |
| UniST[10] | 清华大学 | 是用于城市时空预测的通用模型，主要用来处理并预测城市中的车流量、人流移动、交通事故等交通动态 |
| UniAD[11] | 商汤科技等 | 感知决策一体化的自动驾驶通用大模型，建立了一套端到端感知决策一体框架，融合多任务联合学习新范式，可实现更有效的信息交换、协调感知预测决策，进而提升路径规划能力 |
| “文心阡陌” 交通大模型 | 百度 | 依托多源基础数据，集成大语言模型、视觉大模型、跨模态大模型、交通专项模型和GIS引擎构建模型层，实现快速生成应用或解决方案的功能，为信控优化、道路隐患识别等交通场景提供智能化支持 |
| 佳都知行 大模型[12] | 佳都科技集团 | 采用混合云多模技术，聚焦城市轨道交通业务，具备智能客服、智能运维和应急指挥等3个场景的应用落地能力 |
| “丰知”物流决策 大模型[13] | 顺丰科技 | 应用于物流供应链的智能化分析、销量预测、运输路线优化与包装优化等决策领域 |
| ShippingGPT | 招商轮船 | 压缩了海量航运物流知识，可用于船舶和船员管理、航运市场指数查询、市场分析与趋势预测、航运法律知识问答、绿色减排等领域，具有航运物流知识检索与问答、航运市场信息结构化查询问答等功能 |
| Hi-Dolphin | 中远海运科技 | 面向公众开放的航运垂直领域行业大模型服务平台，能提供知识问答、智能问数、船港分析、运力预测、能耗管理等专业化服务 |
| CoMAL[14] | 亚利桑那州立大学 | 面向混合自主交通的协作式多智能体大模型，利用大型语言模型的推理能力和协作策略，优化混合自动驾驶交通流，提高了交通效率 |
| MT-GPT[15] | 东南大学 | 根据交通拓扑结构“点线面”分层的城市多模式交通大模型框架，能为复杂多模式交通系统中的多方位决策任务提供数据驱动 |
近年来，学者们对大模型在交通运输行业的应用开展了大量研究。总体来看，大模型在交通运输领域的应用主要集中在以下方面[16]。
1）交通管理与控制
大模型能通过学习海量的历史数据与实时数据，在交通流量预测、信号控制优化、突发事件监测等方面发挥重要作用。Amygda实验室利用时间序列大模型进行复杂的交通预测任务，包括预测交通状况、起讫点（OD）流量、区域流量、公交车到达时间和行程时间等[17]。Da等[18]利用大语言模型的接口分析了动态特征如何影响交通流，并提出了用于交通信号控制的方法。Michael等[19]强调ChatGPT可以解决复杂场景的混合交通控制问题，如环路、瓶颈和交叉口环境。吴精乙等[20]提出了一种结合多模态大模型（Multimodal Large Language Models, MLLMs）的高速公路场景交通异常事件分析方法。
2）自动驾驶
视觉大模型的使用可以使自动驾驶系统更深入地了解真实世界的环境[21]。大语言模型在加强用户与车辆互动、形成与驾驶有关的决策、车辆异常检测等方面发挥了重要作用[22]。多模态大语言模型扩展了大语言模型处理/创建图像、视频和音频数据的能力，可用于改善自动驾驶的感知、规划和控制等传统任务[23]。Cui等[24]探讨了将MLLMs融入下一代自动驾驶系统中的模式。金彦亮等[25]提出了一种基于MLLMs的低延迟端到端自动驾驶模型。Cui等[26]开发了名为DriveLLM的决策框架，该框架将自动驾驶堆栈和大语言模型相融合，使系统能进行常识推理，并通过独特的虚拟-物理反馈系统实现从错误中持续学习和优化。Hao等[27]构建了适用于大语言模型的认知推理路径及相关算法，实现了从语义决策到可执行驾驶指令的有效转换。Deng等[28]提出了一种端到端的测试生成框架，该框架利用ChatGPT-4提取交通规则的关键信息，用于在自动驾驶模拟器中自动构建测试场景。
3）交通安全管理
大模型有效处理大量复杂数据的能力在风险评估和事故预防方面具有巨大的应用潜力。大模型的使用有助于及早识别潜在的危险，并能提供积极建议以降低风险。Raja等[29]针对影响道路交通安全的因素，提出了一种基于案例的推理系统来进行原因分析，并与ChatGPT的预测结果进行比较。Zarza等[30]使用LLaMA-2和Zephyr-7b-alpha等轻量级紧凑型大语言模型，结合视觉语言模型用于预测交通事故，以增强L4和L5级自动驾驶系统的安全性。Arteaga等[31]开发了一个基于大语言模型的交通事故分析框架，用于识别传统报告中被忽视的事故因素。王文浩[32]基于开源预训练大语言模型Chat GLM3-6B，提出了城市轨道交通系统风险链建模方法，实现了事故与安全数据的标准化和高效处理。
4）物流优化
大模型在物流调度、需求预测、仓储管理等核心环节的应用，显著提高了物流效率。Dong等[33]使用大语言模型优化了无人机配送路线，同时实现了配送任务动态分配和实时客户服务。Voss[34]探讨了如何使用ChatGPT解决可用车辆数量不确定情况下的随机运输车辆路线问题。Jackson等[35]基于改进的GPT-3 Codex，为排队、库存和过程控制生成了仿真模型。Kmiecik等[36]研究了ChatGPT对第三方物流（Third-Party Logistics, 3PL）运营商的影响，强调了ChatGPT在物流决策方面的能力。肖梅宁[37]以亚马逊、苹果、阿里巴巴为例，展示了AI大模型在智能采购、智能仓储、智能运输、智能售后服务、供应链协同等供应链生态中的应用和取得的显著成果。
5）其他
1.2 大模型在交通运输行业的应用研究特征与问题
大模型在交通运输行业的应用研究正处于快速发展阶段，呈现出以下特征：①技术融合初步实现，即大数据、人工智能、机器学习、物联网等技术已在交通领域得到广泛应用，交通大模型在流量预测、路径规划、事故检测、决策支持等方面展现出强大的能力；②大模型与交通领域场景深度融合，即大模型应用研究场景覆盖了交通流量分析与预测、路况分析、智能咨询、公共交通服务、交通事故分析等基础应用场景，以及自动驾驶辅助、智能调度控制等高级应用场景；③技术落地进程加快，即一些企业推出交通大模型产品，提供基于交通大模型的定制化解决方案和数据服务，为城市交通管理、物流、出行服务等带来了显著的经济效益。
大模型作为一种新兴技术，其在交通运输行业的应用研究会面临诸多问题，主要包括：①技术局限性，即大模型技术本身存在的算法可靠性不足、数据安全与伦理风险、建设运行成本高等问题会在一定程度上制约其在垂直领域的应用；②数据保障不足，交通运输行业开放的高质量数据集和语料库匮乏，使得大模型应用行业规范和专业知识解决问题的能力较弱，影响大模型应用效果；③应用场景与路径不够清晰，虽然目前大模型在交通运输行业诸多领域均有应用研究，但缺乏对大模型在各场景应用的必要性、可行性和其是否为最优技术解决方案的分析，容易造成盲目追赶新技术而忽视技术应用的社会效益和经济效益。
2 大模型在交通运输行业的技术适配性分析
2.1 大模型核心技术能力分析
大模型并非单一技术，而是一系列先进人工智能技术的综合体现，其核心能力主要涉及自然语言理解、计算机视觉、多模态融合、预测与决策、知识表示与推理、生成与创造等内容，如表2所示。
表2 大模型核心技术能力及其说明 |
| 核心技术能力 | 能力说明 |
|---|---|
| 自然语言 理解 | 具备文本理解、文本生成、知识问答、语义搜索等能力，能高效处理海量文本信息，提取关键内容，进行知识推理和对话服务 |
| 计算机视觉 | 具备图像和视频识别分析能力，能对人、物、行为、环境、事件等进行感知与理解 |
| 多模态融合 | 具备对不同模态数据（如文本、图像、视频、音频、激光点云、GPS轨迹、传感器读数等）的特征提取、表示学习、跨模态对齐和信息融合能力 |
| 预测与决策 | 具备时间序列分析、强化学习、算法优化、知识推理等能力，能从复杂的历史和实时数据中学习动态模式，对未来趋势进行预测，并通过学习或优化算法找到最优或次优的解决方案 |
| 知识表示 与推理 | 通过构建知识图谱、神经网络和推理模型，将交通领域的专业知识、规则、经验等融入大模型 |
| 生成与创造 | 能创造新的内容或方案 |
2.2 交通运输行业价值链及痛点分析
2.2.1 交通建设领域痛点分析
交通建设领域涉及公路、桥梁、隧道、港口、航道等基础设施规划、设计、施工等，其主要痛点为：建设资金投入不足、资金管理低效；基础设施规划协调性、前瞻性不足；复杂地质和环境下设计施工技术难度大、工艺要求高；施工现场安全风险高、监管难度大；工程进度和质量控制难度大；环境保护和碳减排压力大等。
2.2.2 交通管理领域痛点分析
交通管理领域涉及交通政策法规制定、交通运行管理与控制、运输市场管理、安全生产监督管理、交通执法等，其主要痛点为：政策法规出台往往滞后于行业发展，各级政策制度衔接性不足；交通拥堵问题突出；基础设施风险隐患识别能力不足，交通运行安全风险监测预警能力薄弱；运输市场结构性矛盾突出，供需不平衡；执法程序不严谨且标准不统一等。
2.2.3 交通养护领域痛点分析
交通养护领域涉及公路、桥梁、隧道、港口、航道等基础设施的状态监测、病害诊断、养护计划制定、维修作业、应急抢修等，其主要痛点为：传统人工巡检依赖度高，效率低且覆盖范围有限；病害诊断难度大，早期微小病害或潜在病害发现不及时；养护计划不科学，预防性养护机制缺失，养护资金分配不合理等。
2.2.4 交通运营领域痛点分析
交通运营领域涉及公路、桥梁、隧道、港口、客货运输枢纽等基础设施运营以及客货运输车辆、船舶营运，其主要痛点为：基础设施运营能耗与养护成本较高；物流成本较高、效率较低；省际客运和公交客运量持续下滑；特定时间节点或时间段（如节假日、特定季节等）公路、港口、客货运输枢纽等拥堵加剧，效率低下；多式联运协同不足；网约车、网络货运等新业态劳动者群体与平台企业矛盾突出等。
2.2.5 交通服务领域痛点分析
交通服务领域涉及政务服务、出行服务、货运服务、票务服务等，其主要痛点为：政务服务便捷性不足；公共交通接驳能力不足，换乘体验不佳；无障碍出行设施不足；超限超载运输、私家车非法运营、出租车/网约车绕路和拒载等行为屡禁不止，影响出行安全；物流价格、运输状态等信息不透明，运输延误与货物损坏时有发生，客服响应不及时等。
2.3 大模型支撑解决行业痛点问题能力分析
如前所述，大模型具备自然语言理解等6个方面的核心技术能力，能支撑解决部分痛点问题。在交通建设领域，大模型能辅助开展基础设施规划论证，支撑开展施工风险分析识别。在交通管理领域，大模型能协助撰写政策法规文本，支撑交通拥堵预测、基础设施风险隐患识别、交通态势感知、交通事件理解、交通运行安全风险研判等。在交通养护领域，大模型能在公路基础设施病害识别、养护计划编制等方面发挥作用。在交通运营领域，大模型能支撑车辆智能调度、动态路径规划和多式联运协同。在交通服务领域，大模型能支撑创新政务服务形式、赋能智能客服应用，并通过客货运输风险识别、违规行为分析等能力保障公众出行安全。
2.4 大模型在交通运输行业应用的SWOT分析
3 大模型在交通运输行业的应用路径
3.1 大模型应用总体架构
大模型应用架构通常采用分层设计，以实现从底层算力到上层业务的贯通。交通运输行业应用大模型遵循这一通用架构范式，总体架构如图2所示，包括基础环境、通用大模型底座、数据资源、研发底座、场景服务等5个层次，以及标准规范、安全保障、运营管理等3个体系。基础环境层为大模型应用提供物理与虚拟化支撑，包括网络、算力、存储等资源。通用大模型底座作为垂直模型的基座，接入语言、视觉、多模态等类别的通用模型，提供人工智能基础能力。数据资源层根据实际需要与能力汇聚交通运输行业公共数据、企事业单位数据和第三方数据，支撑垂直模型的适配、微调与知识增强。研发底座包括数据治理、模型训练、算法与应用开发、测试检测等工具，支撑面向具体场景的应用或智能体开发。场景服务为面向交通建设、管理、养护、运营、服务等场景的应用或智能体。标准规范体系规范大模型的开发、评测、部署及应用；安全保障体系确保大模型的应用环境、数据、算法等安全；运营管理体系通过建立规范的制度、流程和方法，实现对技术研发、能力测试、应用开发、效能评估等工作的协调、控制与优化。
3.2 重点应用场景
交通运输行业痛点问题的解决需要从法律法规、政策制度、标准规范、治理模式、市场机制和技术应用等多方面协同发力。大模型作为新兴技术，是支撑解决行业痛点问题的一个可选择的技术手段，需要在具备解决问题所需的核心技术能力基础上，综合分析成本效益、社会经济影响和可持续发展等因素，合理确定重点应用场景。基于上述对大模型核心技术能力的解构、行业价值链及痛点分析、大模型支撑解决行业痛点问题能力分析，以及大模型在交通运输行业应用的SWOT分析，结合大模型在交通运输行业的应用研究进展，建议大模型在交通运输行业的应用场景如下。
3.2.1 高度适配，可推广应用的场景
大模型在自然语言理解、海量数据处理、复杂模式识别、推理与预测等方面具备突出能力，在知识密集型、数据驱动型、交互优化型等场景中具有明显优势。
知识密集型场景包括信息资源检索、政策解读、各类文档（包括法律法规、政策制度、标准规范、公文、研究报告、分析报告、执法文书、招投标文件、规划和设计文件、预案、新闻报道等）或音视频生成等。大模型应用于此类场景致力于提升业务质量与效率，为规划协调性和前瞻性不足、政策法规出台滞后和衔接性不足、政务服务便捷性不足等行业痛点问题的解决提供新的技术手段。而其他相关技术通常不具备内容生成能力。
数据驱动型场景包括交通运行态势感知、拥堵预测、安全风险研判、交通经济运行趋势预测、社会经济或技术发展趋势预测等。大模型应用于此类场景重点解决交通运行效率低下、拥堵问题突出、安全风险监警能力薄弱、政策制度前瞻性不足等痛点问题。大模型学习了各类分析预测算法的能力，在此方面具备明显优势，且上述场景多属于政府管理决策和公共服务领域，事关行业发展、社会稳定与人民群众生命财产安全，可以接受较高成本的技术投入。
交互优化型场景包括智能问答、数字人助手、智能客服、交通信息播报等，大模型应用于此类场景重点解决政务服务、出行服务、物流服务等便捷性不足、响应不及时的问题。而其他相关技术通常不具备实时理解和回应用户需求的能力。
3.2.2 中度适配，具有较大潜力的场景
大模型具有较强的推理、预测能力，在需要自主决策和优化的场景中展现出一定的潜力，这些场景包括智能信号控制、动态路径规划、运力智能调度、养护计划制定等。大模型应用于此类场景重点解决交通拥堵、运输效率低、运营成本高和养护计划不科学等痛点问题。鉴于在上述场景中已经研究形成了多样化的技术解决方案，如：采用深度学习、高维多目标进化算法等进行智能信号控制[48-49]；采用深度强化学习、最短路径算法、启发式搜索算法等进行动态路径规划[50-51]；采用多智能体强化学习等进行车辆智能调度[52-53]；采用大群体决策、多目标优化、二进制布谷鸟搜索算法等构建养护管理及优化决策模型[54-55]。因此，需要进一步从技术可靠性、鲁棒性、应用效果和成本效益等方面对大模型与同质技术进行对比分析，综合考虑多方面的因素，以确定适宜的应用场景。
3.2.3 低度适配，需谨慎应用的场景
鉴于大模型在算法可靠性、实时性方面的缺陷，对于强实时性、高可靠性、零容错率的场景，需持谨慎态度。这些场景包括自动驾驶的车辆直接控制、关键基础设施故障诊断决策、应急调度指挥等。上述场景对大模型的“幻觉”容忍度极低，对可解释性和确定性要求极高，目前在这些场景中，大模型更适合作为辅助分析工具。
3.3 大模型应用技术路径
大模型应用于交通运输行业需要在现有信息化系统的基础上集成大模型的能力，其应用主要有3种技术路径，即“基础模型+微调训练”“基础模型+知识库”，以及上述两种方式相结合。
3.3.1 “基础模型+微调训练”
“基础模型+微调训练”技术路径如图3所示。首先，进行业务需求分析和通用模型评估，明确是否需要或能否使用大模型技术解决业务问题，初步形成大模型技术应用思路；其次，广泛收集与行业相关的各类数据和专业领域知识，对数据进行整理、入库和清洗，建立可用于大模型训练或评估的数据集；然后，根据自身业务需求确定业务场景，选择经过预训练的通用大模型作为基础模型，进而根据场景需求，选择训练方法，配置训练策略，使用行业数据或专业领域知识对基础模型进行适应性训练或强化学习训练，训练过程中反复测试、评估和调优模型；最后，将训练好的大模型集成到现有信息化系统中，通过场景化应用验证模型的性能和效果，并根据应用情况和用户反馈，对大模型进行持续改进和优化。“基础模型+微调训练”技术路径算力需求较大，成本较高，经过微调训练的模型对行业或垂直领域具备较好的适应性。
3.3.2 “基础模型+知识库”
“基础模型+知识库”技术路径如图4所示。在业务需求分析和通用模型评估的基础上，选择经过预训练的通用大模型作为基础模型，进而构建知识库。构建知识库需要对行业或领域数据资源进行收集和整理，进而对各类数据资源进行识别和解析，抽取关键信息，形成向量数据库，作为大模型检索和推理的基础数据源。部署基础模型和知识库，使用大模型的检索增强生成（Retrieval Augmented Generation, RAG）技术[56]，通过检索知识库数据，实现语义理解、问答、内容生成等功能。在模型应用的过程中，需要对知识库进行持续更新，以确保模型应用效果。“基础模型+知识库”技术路径仅需满足模型检索和推理的算力，算力需求相对较小，成本相对较低。该技术路径实现的内容生成功能依托知识库，生成的内容相对精准并且可控，但对于知识库未覆盖的领域则无法做出有效响应。
3.3.3 “基础模型+微调训练”结合知识库
结合上述两种技术路径，对通用大模型进行微调训练形成行业或垂直领域大模型的基础上，外挂知识库，提高大模型应用的可靠性和精准度。
3.4 大模型应用策略
大模型应用于交通运输行业的主要目的是通过技术手段解决行业痛点问题，实现效率提升、保障安全、优化服务等目标。在此过程中应坚持数据驱动、技术融合、生态构建等原则。
3.4.1 数据驱动
高质量、大规模、多样性的数据是训练大模型、提升其可靠性和应用效果的基石。需要推动包括静态知识、历史数据、动态信息、图像视频等在内的交通运输行业高质量数据集的建设，按照公共数据资源开发利用的有关要求，建立高质量数据集开放服务机制，为大模型在交通运输行业的应用提供有力支持。在数据采集、传输、存储、计算、共享、销毁的全生命周期内，按照“可用不可见、可控可计量、可溯可问责”的原则，结合差分隐私、联邦学习、同态加密、数据脱敏等技术，保障数据安全与用户隐私。
3.4.2 技术融合
交通运输行业在应用大模型时，应立足业务现状与需求，将大模型集成至现有业务系统（如智慧交通管理系统、公路养护管理系统、出行服务系统等），并与传统交通模型、数字孪生、知识图谱及其他人工智能技术融合应用。通过与传统交通模型互补，与数字孪生动态联动，与知识图谱联合推理，与其他人工智能技术协同，实现多技术优势互补，支撑业务问题解决和业务目标实现。
3.4.3 构建大模型应用生态
大模型的发展需要产、学、研、用各方的紧密合作与协同创新，须以“顶层统筹、市场主导、开放协同、价值共创”为原则，发挥行业管理部门、人工智能技术企业、行业企事业单位和学会协会等各方优势，形成行业管理部门定政策、给场景、管安全，人工智能技术企业供算力、研算法、做工具，交通运输行业企事业单位出数据、提需求、落应用，学会协会搭平台、定标准、促交流，高校与科研院所攻机理、育人才、评效果的格局，逐步建立起“共建共治共享”的大模型应用创新共同体，让新技术真正转化为行业提质增效的新动能。
4 结束语
大模型是交通运输行业数字化转型的重要引擎，其强大的数据处理、模式识别、认知理解、推理预测等能力为解决交通系统长期存在的效率瓶颈、安全隐患、服务短板等问题提供了技术手段，具有引领行业变革的广阔前景。当前大模型在交通运输行业的应用处于“概念验证”到“价值创造”的过渡期，虽然技术潜力巨大，但多数应用尚处于技术探索与演示阶段。如何将技术能力与真实业务场景深度融合，解决行业痛点，创造可量化的社会效益和经济效益，是未来发展的关键。此外，商业模式的成熟和用户信任的建立亦是不可或缺的环节。本文进行了大模型在交通运输行业的技术适配性分析，提出了大模型在交通运输行业的应用路径，包括总体架构、重点应用场景、技术路径和实施策略，能为大模型在交通运输行业的应用落地提供理论和方法指导，为推动大模型由“概念验证”过渡到“价值创造”提供技术支撑。
当前大模型正处于快速发展阶段，交通运输行业的大模型应用呈百花齐放的局面，本研究尚属于宏观应用层面的探讨，未涉及大模型应用中的具体技术实践。随着大模型技术的不断发展，跨界融合与协同创新趋势将日益明显，下一步研究将聚焦大模型在交通场景下的可解释性研究与轻量化部署、融合领域知识图谱以提升大模型的专业理解能力、构建安全可信的大模型技术体系、推动大模型开放生态与商业模式构建等方面，从而不断深化和完善大模型应用技术实践方面的研究。
