大模型家族的下载页上，常并排放着两个版本：一个叫基座版，一个叫对话版，该拿哪个干活，得先弄清它们的分工。结论先行：要原始生成能力、做批量文本处理或二次训练，选基座模型；要直接面向终端用户对话，选聊天模型。下面说清理由。
差异一：训练走到哪一步
基座模型只完成了预训练：海量文本上学「下一个词是什么」，能力全但野性足，给它半句话它会认真补全，给它一个问题它可能接着编题目。聊天模型在基座之后又走了指令微调和对齐训练，学会「用户是在提问，不是在让我续写」。DeepSeek、通义千问家族里都能看到这条双轨：一个负责当原料，一个负责当产品。
差异二：输入输出长什么样
基座模型的接口是纯文本进、纯文本出，没有角色概念，多轮对话要自己拼格式。聊天模型吃的是带角色标记的结构化消息，系统提示、用户消息、历史回答各有位置，模型按对话规则作答。一条消息的完整旅程那篇讲的拼装流程，正是聊天模型才需要的工序；拿基座模型直接套对话格式，等于让一个续写员临时客串客服，能用但不顺手。
差异三：行为特征与适用任务
基座模型的可塑性是最大卖点：它是微调、蒸馏、继续预训练的起点，风格和数据你说了算。代价是要自己收拾野性——不安全感、跑题、格式漂移都得靠后训练解决。聊天模型开箱即用，安全性、拒答边界、格式都调过一轮，但性格已被固定，想改口吻得靠适配器。批量数据清洗、文本分类、续写实验用基座；在线问答、客服、内容助手用聊天模型。
两种版本的差别，落在五件事上。
| 对比项 | 基座模型 | 聊天模型 |
|---|---|---|
| 训练进度 | 只完成预训练，学「下一个词是什么」 | 预训练后再走指令微调与对齐训练 |
| 接口形态 | 纯文本进、纯文本出，没有角色概念 | 带角色标记的结构化消息，按对话规则作答 |
| 可塑性与代价 | 可微调、蒸馏、继续预训练，野性要自己收拾 | 开箱即用，性格已固定，改口吻得靠适配器 |
| 延迟与成本 | 偶尔跑偏变长，要后处理裁剪 | 输出长度格式更可预期，计费模型更稳 |
| 典型任务 | 批量数据清洗、文本分类、续写实验 | 在线问答、客服、内容助手 |
延迟和成本也在这条分界线上。基座模型生成同样长度的文本，因为没有对齐层的约束，偶尔会跑偏变长，需要后处理裁剪；聊天模型的输出长度和格式更可预期，计费模型更稳。做成本测算时，别只比单价，要比整条链路的返工率。
还有一笔隐性账是生态位。基座模型的周边工具多，教程、脚本、数据集都按它的接口写；聊天模型的接口各家私有，换一家就要重写调用层。批量任务跑在基座上，脚本可以跨模型复用；产品接在聊天模型上，迁移成本要在选型时先算进去。
选型对照表
- 二次训练、微调起点：基座模型
- 批量补全、分类、抽取：基座模型
- 直接对话、面向终端用户：聊天模型
- 拿不准时问一句：我的用户会看到这个输出吗？会，就选聊天版
一个容易混淆的中间态
Instruct 模型算哪边？它介于两者之间：基座加轻量指令微调，保留了较多原始能力，又能听懂指令。社区里常见的「基座微调版」多属此类。LoRA 文件和全量模型怎么配合用那篇讲的挂载式改造，就是在这类模型上做风格定制最常见的手段。选型时别只认名字，看一眼训练到哪一步更保险。选型顺序也因此清晰：先看输出会不会直接给用户看，会就聊天版；再看要不要二次训练，要就基座版；两者都要，就 Instruct 起步。
关于基座与聊天模型，问得最多的三个
- 聊天模型一定比基座强吗？：对话任务上是的，通用能力上限反而常略低于基座——对齐训练用一部分容量换了安全与听话，这是取舍，不是升级。
- 能用聊天模型做微调起点吗？：可以，但要接受它已有的行为烙印，风格迁移比基座更难，效果参考领域特化和通用模型差在哪那篇的判断思路。
- 为什么我的基座模型答非所问？：它在认真续写，没把输入当提问，词向量的加减游戏那类纯生成场景才是它的主场。
一句话收尾：要原料选基座，要产品选聊天版，中间态看训练进度条。
