一句话定义：模型权重（Weights）是神经网络内部那些在训练过程中被反复调整的数字，它们合起来决定了模型接到输入后输出什么。
原理：一台有几十亿个旋钮的机器
把模型想成一间巨大的调音台，上面密密麻麻全是旋钮。你输入一句话，信号沿着线路流过这些旋钮，每经过一个就被拧一下，最后汇总成一个输出。旋钮的位置，就是权重。
训练做的事非常朴素：喂一条数据进去，看输出和正确答案差多远，然后把每个旋钮往“误差变小”的方向拧一点点。重复亿万次，旋钮就停在了一组“好用”的位置上。这组位置被保存成文件。所谓“模型”存到磁盘上以后，主要就是这个数字矩阵的集合。
这里有一个很重要的认识转变：模型里没有一条写着“猫有胡须”的规则，它只有数字。是这些数字的组合，让“猫”这个词在对应输入下的得分变高。所以模型说不清自己为什么这么答，就像你说不清自己为什么一眼就认出老朋友的脸。
它和相邻概念的区别
| 概念 | 是什么 | 谁来改 |
|---|---|---|
| 权重 | 训练学到的数字，模型的“记忆” | 训练和微调时自动调整，人看不懂 |
| 超参数 | 学习率、层数、批量大小等 | 人在训练前设定 |
| 提示词 | 你每次输入的指令 | 用户随时写 |
注意：提示词不改权重，它只是在同一个模型上“临时提要求”；改权重才是真正改变模型的倾向。
为什么这件事对你有用
对从业者：微调（fine-tuning）本质就是在一组已有权重上继续拧旋钮；量化（quantization）是把每个数字用更少的位数表示，换来更小的体积和更快的速度，代价是精度损失。同一个网络结构配上不同权重，就是完全不同的模型，所以可以这么说：换权重就等于换脑子。权重既是资产，也是黑盒：能跑、能量产，但难解释、难审计；出了问题时，很难定位到是哪个数字的责任。
对普通人：这解释了两件日常困惑。一是为什么模型升级后“像换了个人”，因为底层那堆数字全变了。二是为什么它会一本正经地胡说，因为知识被压进数字里，并不存在数据库里，没有可查的条目，它就顺着最像的话往下编。至于某个模型的具体参数量、授权条款和许可范围，以官方页面为准。