训练是设定模型参数的过程：让模型接触海量文本，并调整参数以改进下一 Token 预测。这是由模型提供商完成的一次性高成本过程。它既包括预训练（主体训练过程），也包括后训练（随后进行的指令遵循、安全性等优化）；在本词典的讨论层级上，无需细分二者。
其机制就是大规模重复：给模型看一段文本，让它预测下一个 Token，再把参数朝真实下一个 Token 的方向微调，并对数万亿个 Token 重复这一过程。系统不会把任何内容以事实或规则的形式存储；模型“知道”的一切，都是预测能力提升所产生的副作用，并以参数化知识的形式压缩进参数中。
这会带来两个与日常使用密切相关的后果。训练会在某个时间点结束，因此模型存在知识截止时间——它没有见过你上个月才升级的库版本。而且训练不是你能在使用阶段完成的事情：当模型不了解你的代码库、团队约定或内部 API 时，解决办法从来不是“教会模型”，而是把这些材料放入上下文——这是你唯一能控制的输入。
用法：
“能让它掌握我们的内部 API 吗？”
“不能靠训练——那是模型提供商耗时数月完成的流程。应当把 API 文档加载到上下文里；这才是你真正能控制的杠杆。”