Q1什么是「Embedding（嵌入 / 向量）」？为什么说它是大模型「理解」语言的基础？
A把一个词、一句话变成一串数字（向量），让意思相近的内容在数字空间里离得也近（「猫」和「狗」比「猫」和「汽车」更近）。有了它，计算机才能用「算距离」比较语义——这是向量检索、RAG、语义搜索的地基。一句话：Embedding = 把语言翻译成机器能算距离的坐标。
Q2什么是「涌现能力（Emergent Abilities）」？
A模型小的时候完全不会某项技能，参数/数据堆到某个临界点后突然就会了（多步推理、按格式输出），不是线性变好而是「过了个坎」。它是「大模型为什么要做大」的重要论据；能补一句「近年也有研究质疑部分涌现是评测指标选得突兀造成的错觉」显得读得细。
Q3什么是模型的「知识截止日期（knowledge cutoff）」？为什么它不知道昨天的新闻？
A模型知识来自训练时喂的那批数据，截止点之后的事它就不知道，问它「最新版本」要么答旧的要么瞎编。这正是要给它接 RAG（外挂检索）或联网工具的根本原因——用实时资料补上它「记忆之外」的那段。
Q4能不能让模型告诉你「它对这个答案有多确定」？（置信度 / logprobs）
A能，但要小心。模型每输出一个词都有概率（logprob），综合起来能得到「置信度」，可用来筛「没把握」的回答转人工。但关键坑是：模型「说得很自信」≠「答得对」，它可能高置信地胡说（幻觉）。所以置信度只能当参考信号，不能当正确性证明。
Q5什么是「思维树（Tree-of-Thoughts, ToT）」？它比思维链（CoT）强在哪？
A思维链让模型「一条道走到黑」地一步步推理；思维树则让它像下棋一样同时展开多条思路、比较哪条更靠谱、走不通就回头换一条。适合有多种解法、需要试探回溯的难题（数学、规划）。代价是算得更多更贵，是「难题才上」的重武器，不是默认选项。