生成式模型和判别式模型差在哪？

入门 AI 常会撞见一对名词：生成式模型和判别式模型。同样一段输入，前者忙着造出新东西，后者忙着给出判断，目标不同，用法也完全不同。

先给结论：谁负责生成，谁负责判断

想让人工智能产出内容——写句子、画图、补全代码——选生成式模型；想让人工智能做分辨——是不是垃圾邮件、这张图是猫还是狗——选判别式模型。今天的大语言模型属于前者，传统分类器、情感判断、风控打分多属于后者。

两者的差别可以用一句话概括：判别式学「给定输入，答案是哪个」，生成式学「输入和答案合在一起长什么样」。前者画一条边界，后者建一座工厂。

把两条路线放进同一组维度里，分工就清楚了。

• 生成式：学数据长什么样，产出新样本
• 判别式：学边界画在哪，输出类别概率
• 典型任务：写作、画图对分类、打分
• 能否互转：生成式可兼做判断，判别式难生成

生成式模型在学什么

生成式模型学习数据的联合分布，也就是「什么样的组合是合理的」。学会之后，它可以从分布里采样，造出一条原本不存在但像模像样的新样本：一句通顺的话、一段续写的代码。

你熟悉的豆包、通义千问写周报、改文案，背后就是生成式路线：模型并不查表找答案，而是逐段续写出高概率内容。代价是它可能一本正经地编造，需要事实校验环节兜底。

判别式模型在学什么

判别式模型学习条件概率：给定输入，直接输出属于某类的概率。它不关心数据整体怎么生成，只关心边界画在哪。情感分类、意图识别、反欺诈规则引擎走的都是这条路。

这条路的好处是目标聚焦、训练稳定、对标注质量敏感；局限是它只能回答「是或否、属于哪类」，无法直接生成一段新内容。想要它写点什么，只能再外接一个生成模块。

判别式模型的典型用法是风控与质检：给定一条交易记录判断是否异常，给定一张图片判断是否合规。它的输出本身就是决策依据，不需要再解释一层，所以在延迟敏感的生产链路里很常见。

两者的边界与联系

生成式模型其实也能做判断：把选项交给它续写，看哪个选项概率高。反过来，判别式模型想升级出生成能力却很难，因为它从没学过数据长什么样。这也是近年大模型倾向于走生成式主线的原因之一。

区分两者还有个现实意义：数据标注方式完全不同。训练判别式模型要准备成对的「输入-标签」，训练生成式模型要准备大段连贯文本，后者的数据工程量和算力门槛都高一个量级。选路线前先看自己手里有什么数据，往往比看技术趋势更务实。

推理成本的差别也很直观。判别式模型通常只做一次前向传播就能给出概率，延迟低、开销小；生成式模型要逐个 token 解码，长回答的耗时和费用都会累积。做产品预算时，两条路的成本结构要分开建模。

可带走的判断是：拿到一个模型先问「它要造东西，还是要做分辨」，这决定了数据怎么标、指标怎么定。想继续了解模型家族的其他分叉，可以看词向量和 one-hot 编码的区别，以及模型家族的变体怎么挑；如果关心同一模型在不同部署下输出是否还一致，可以读同一模型的 API 和本地部署输出一致吗。

聊聊生成式模型的常见疑问

• 判别式模型是不是过时了？：在风控、质检这类只要求判断的场景，它又快又稳，仍是性价比高的选择。
• 大模型为什么都走生成式？：生成目标天然覆盖理解、翻译、问答等多种任务，一套架构能复用多类场景。
• 生成式模型输出的内容可信吗？：它输出的是高概率续写，不等于事实，关键信息需要交叉验证。