算法（algorithm）是解决问题的步骤和规则；模型（model）是这套步骤在一堆数据上跑完之后，固化下来的一整套参数（parameters，也常叫权重 weights），通常表现为磁盘上的一个文件。
打个比方：菜谱与手感
做菜。算法是菜谱——先热油、再下葱、翻炒三分钟、盐少许。步骤写得清清楚楚，谁都能照着做，而且跟厨房里有什么食材无关。模型是某个人照着这份菜谱、用具体食材反复试做之后练出来的手感：盐到底放几克、火开到多大、什么时候起锅。菜谱可以印在纸上发给所有人，手感只长在这一个人身上，还得靠一次次练习才长出来。
换成技术语言：算法负责“怎么学”——网络结构怎么搭、损失函数（loss function）怎么算、梯度下降（gradient descent）每一步怎么更新。模型是“学完了”的结果——那些具体的数值。同一个算法，喂不同数据、用不同随机初始化跑两遍，得到的是两个不同的模型。这也是为什么同一个算法能产生成千上万个模型，而算法本身只有那么几种。
一组容易混的词
| 算法 | 模型 | |
|---|---|---|
| 本质 | 步骤、规则、流程 | 结构 + 一组具体数值 |
| 依赖数据吗 | 不依赖 | 强依赖，换数据集就换模型 |
| 存在哪 | 论文、教材、代码里 | 权重文件里，可拷贝、可传输 |
| 能否直接跑 | 不能，要先训练 | 能，加载后即可推理（inference） |
| 体积 | 几页纸 | 从几 MB 到几十 GB |
| 会过时吗 | 很少，几十年仍在用 | 会，数据变了就可能失效 |
再往下切一刀，还有两个词：训练过程中被学出来的是参数（权重）；由人手工设定、不由训练改变的是超参数（hyperparameters），比如学习率、批大小。平时说“调参”，调的其实是超参数；“训练”，产出的才是参数。
顺便说说框架（framework）：它只是实现算法、产出模型的工具，和这两者又是另一回事。
为什么这个区分有用
对从业者：说“换个算法”和“换个模型”是两件工作量完全不同的事。改算法意味着重写训练逻辑、重跑实验；换模型往往只是替换一个权重文件。模型是可以拷贝、量化压缩、部署上线的实体；算法是公开的知识，抄不走也留不住，真正的壁垒通常在数据和模型上。
对普通职场人：手机或电脑里跑的那个“大模型”，本质是几个 GB 的权重文件，不是一段程序。同一款产品换一代模型，界面和功能可以完全不动，因为上层调用方式没变，变的只是被加载进去的那坨数值。开源社区放出的是模型权重，算法本来早就写在论文里了。
最后是一个常见的说法误差：新闻里说“某公司研发了新算法”，多数时候指的是“用公开算法在自己的数据上训出了一个新模型”。听到这类说法，先问一句：他们公布的是步骤，还是那坨参数？具体的技术细节，以官方文档和论文页面为准。