Base Model 的核心概念是「LLM 訓練 pipeline 第一階段的產物」，只用大量文字做 next-token prediction、尚未做 instruction tuning 或 RLHF。Base model 擅長「順著前面的文字接下去」，但對「使用者提問、模型回答」這種交互模式比較生硬。

概念位置

Base model 跟 instruction-tuned model 共用底層權重結構、差別在後續微調階段。對寫 code 場景的多數使用者來說、預設選 instruction-tuned 版本；base model 主要服務想自己微調的研究人員與工程師。

可觀察訊號與例子

Hugging Face / Ollama 上 base model 通常會明示：

名稱範例是 base model 嗎
llama-3.3-70b-base是
llama-3.3-70b-instruct否（已 instruction-tuned）
gemma-4-31b視 repo 而定、要看 model card
qwen3-coder-30b否（coding-tuned 是 instruction-tuned 的特化）

對話 base model 的體感：問「寫一個 Python fibonacci」可能得到「寫一個 Python fibonacci。寫一個 JavaScript fibonacci。寫一個…」這種文字接龍式回答、而非真正寫出 function。

設計責任

下載模型前確認是 instruct 還是 base 版本。Ollama registry 預設提供 instruct 版本、但 Hugging Face 上同一個模型常同時有兩種；挑錯版本會以為「這個模型很差」、其實只是用錯類型。想做 fine-tuning 的工程師才需要 base model；其他人優先選 instruct。