卡内基梅隆大学团队：让AI变身增材制造专家，一个会"看图说话"的智能助手诞生了

这项由卡内基梅隆大学机械工程系和机器学习系共同完成的研究发表于2026年，论文编号为arXiv:2603.22017v1。有兴趣深入了解的读者可以通过该编号查询完整论文。

想象一下，如果你有一个既懂理论又会实践的3D打印专家朋友，他不仅能回答你关于增材制造的各种问题，还能看懂复杂的技术图纸和照片，这会是多么令人兴奋的事情。卡内基梅隆大学的研究团队就创造了这样一位"数字专家"，他们将其命名为AdditiveLLM2。

在这个人工智能技术飞速发展的时代，我们已经见证了ChatGPT这样的通用AI助手在日常生活中的广泛应用。但是，当涉及到像3D打印这样专业性极强的领域时，通用AI往往显得力不从心。就好比请一位通识教育的老师去教授高难度的专业课程，虽然基础知识扎实，但缺乏深度的专业洞察。正是在这样的背景下，研究团队决定专门为增材制造这个领域打造一位"专业教授"。

增材制造，也就是我们常说的3D打印技术，已经从最初的原型制作工具发展成为现代制造业的重要组成部分。从航空航天到医疗器械，从汽车制造到建筑行业，3D打印正在改变着我们制造物品的方式。然而，这个领域的专业性极强，涉及复杂的材料科学、工艺参数控制、缺陷识别等多个方面。普通的AI助手在面对这些专业问题时，往往只能给出表面化的回答，无法提供真正有价值的专业指导。

研究团队的创新之处在于，他们不仅让这个AI系统掌握了大量的3D打印理论知识，更重要的是，他们赋予了它"视觉能力"。这意味着AdditiveLLM2不仅能通过文字交流回答问题，还能"看懂"各种技术图片、工艺照片和设备图像，然后基于这些视觉信息给出专业的分析和建议。这就像是给一位经验丰富的工程师配备了一双永不疲倦的眼睛和一个永不遗忘的大脑。

为了训练这位"数字专家"，研究团队收集了来自四个顶级增材制造期刊的1,704篇开放获取的学术论文，这些论文包含了约5,000万个信息单元。这个数据量相当于一个人连续阅读专业文献20年所积累的知识量。更令人印象深刻的是，他们还提取了超过24,000张技术图像，并为每张图像配上了详细的说明，这样AI就能同时理解文字描述和视觉内容之间的关联。

整个训练过程就像是培养一位从学徒到专家的过程，分为三个递进的阶段。首先是"阅读理解"阶段，AI系统通过大量阅读专业文献来掌握基础理论知识。接着是"图像识别"阶段，系统学会了如何理解和分析各种技术图像。最后是"综合应用"阶段，AI学会了如何将文字知识和视觉信息结合起来，回答复杂的专业问题。

研究团队基于Gemma 3这个拥有120亿参数的基础模型进行改进。选择这个模型就像选择一个聪明且有良好基础教育的学生，然后在此基础上进行专业化培训。与那些参数更多但需要更强计算能力的巨型模型相比，Gemma 3在保持优秀性能的同时，能够在普通的硬件设备上运行，这使得这项技术更容易被实际应用。

为了验证AdditiveLLM2的专业能力，研究团队设计了一套名为"增材制造基准测试"的评估体系。这套测试就像是给AI参加一场综合性的专业考试，包括理论知识问答、图像识别、技术参数预测等多个科目。测试内容涵盖了从基础概念到高级应用的各个层面，确保AI的专业水平得到全面验证。

一、理论基础与技术架构

要理解AdditiveLLM2是如何工作的，我们需要先了解它的"大脑构造"。现代人工智能的核心技术被称为Transformer架构，这个名字听起来很高科技，但其工作原理可以用一个简单的比喻来解释。

设想你正在参加一场大型的鸡尾酒会，会场里有数百人在同时交谈。作为一个有经验的社交者，你能够同时关注多个对话，根据重要性和相关性来分配你的注意力。当有人提到你感兴趣的话题时，你会更加专注地倾听。当对话转向无关的内容时，你会将注意力转移到其他地方。这种"选择性注意"的能力正是Transformer架构的核心机制。

在AdditiveLLM2中，这种注意力机制使得AI能够在处理复杂问题时，自动识别哪些信息最重要，哪些信息可以忽略。例如，当分析一张3D打印件的照片时，AI会重点关注表面质量、层纹理、可能的缺陷等关键特征，而对背景环境等无关信息给予较少关注。

更有趣的是，AdditiveLLM2不仅能处理文字信息，还具备了"视觉理解"能力。这种多模态能力就像是给AI配备了眼睛和大脑的完美结合。当你向AI展示一张熔池照片时，它不仅能识别出这是一个激光粉末床熔融过程的图像，还能分析熔池的形状、大小，甚至预测可能的工艺参数设置。

这种视觉理解是通过一种叫做"视觉Transformer"的技术实现的。简单来说，就是将图像切割成许多小块，就像将一幅拼图分解成单独的拼图块。然后AI会分析每个小块的特征，以及这些小块之间的关系，最终形成对整张图像的理解。这种方法既保留了图像的局部细节，也掌握了整体的结构信息。

AdditiveLLM2的另一个重要特性是它采用了"低秩适应"技术，这是一种非常巧妙的训练方法。传统的AI训练就像是重新装修整栋房子，需要大量的时间和资源。而低秩适应更像是在现有房子的基础上进行精装修，只改动必要的部分，既节省了成本，又达到了预期的效果。

具体来说，研究团队并没有从头开始训练一个全新的模型，而是在已经训练好的Gemma 3模型基础上，只调整其中一小部分参数。这些被调整的参数就像是房子里新添加的专业设备，专门用来处理增材制造相关的任务。这种方法的优势在于，既保留了原有模型的通用知识和推理能力，又针对特定领域进行了优化。

在训练过程中，研究团队还采用了一种叫做"指令微调"的技术。这就像是给AI提供了一本详细的操作手册，告诉它在面对不同类型的问题时应该如何回应。例如，当用户问"什么是激光功率对熔池深度的影响"时，AI不仅要提供理论解释，还要能够结合具体的数据和案例来说明。

这种指令微调特别注重培养AI的对话能力。研究团队创建了大量的问答对话示例，就像是给AI提供了无数次的实战演练机会。通过这些训练，AdditiveLLM2学会了如何以专业yet友好的方式与用户交流，既保证了回答的准确性，又确保了良好的用户体验。

二、数据收集与处理策略

创建一个专业的AI助手，就像培养一位博学的专家，需要让它"阅读"大量的专业资料。研究团队为AdditiveLLM2准备的"图书馆"规模令人惊叹，但更重要的是他们如何精心整理和处理这些知识。

团队从四个顶级增材制造期刊中精选了1,704篇高质量的开放获取论文，这些期刊包括《增材制造期刊》、《增材制造通讯》、《制造工艺期刊》和《快速成型期刊》。选择这些期刊就像是在浩瀚的知识海洋中选择最纯净的水源，确保AI获得的都是经过同行评议的可靠知识。

有趣的是，这些论文涵盖了增材制造的各个分支领域。其中，激光粉末床熔融技术的论文数量最多，占据了25.5%的比例，这反映了该技术在当前增材制造领域的重要地位。其他技术如材料挤出、定向能量沉积、桶式光聚合等也都有相当的覆盖量。这种均衡的知识分布确保了AI在各个技术分支上都具备专业水平。

数据提取过程就像是一项精细的考古工作，研究团队开发了自动化工具来从PDF格式的论文中提取文本和图像。这个过程看似简单，实际上充满挑战。不同期刊的论文格式各异，图片质量参差不齐，有些早期论文的格式甚至与现代标准相差较大。团队必须确保提取出的每一段文字都保持原意，每一张图片都清晰可辨。

更令人印象深刻的是图像处理部分。团队提取了超过24,000张技术图像，这些图像包括设备照片、微观结构图、工艺参数图表、缺陷分析图等。每张图像都与其对应的说明文字配对，形成了文字-图像的关联数据集。这就像是给AI制作了一本超大型的图文并茂的专业教科书。

在文本处理方面，团队面临的一个重要挑战是如何处理专业术语的多样性。同一个概念在不同的论文中可能有不同的表述方式，研究团队通过词汇相似性分析来识别这些关联。例如，"选择性激光熔融"、"激光粉末床熔融"、"SLM"等术语实际上都指向同一种技术，AI需要理解这些表述之间的等价关系。

数据清洗过程就像是在淘金，需要从大量原始材料中筛选出有价值的信息。团队设置了多层过滤机制，剔除了重复内容、格式错误的文本、以及质量不达标的图像。经过这一过程，最终形成了约5,700万个高质量的信息令牌，其中文本部分约占4,500万个令牌，图像部分约占1,200万个令牌。

特别值得一提的是视觉指令调优数据的生成过程。团队利用GPT-OSS 120B模型来为提取的图像生成多样化的问答对话。这个过程就像是请一位经验丰富的教师为每张图片设计不同类型的问题。例如，对于一张显示层错位缺陷的图片，生成的对话可能包括"图片中显示了什么类型的缺陷"、"这种缺陷的可能成因是什么"、"如何预防这种缺陷的发生"等多个角度的问答。

这种多样化的问答生成确保了AI不仅能识别图像内容，更能进行深入的技术分析和问题解答。最终生成了约20,000个视觉指令调优样本，每个样本都包含图像、相关问题和详细回答，形成了一个完整的多模态训练数据集。

数据质量控制是整个过程中的重中之重。团队建立了多重验证机制，包括自动化质量检测和人工抽样审查。他们还分析了不同期刊之间的词汇相似性，发现《增材制造通讯》与其他期刊的词汇重叠度最高，而《快速成型期刊》和《增材制造期刊》之间的词汇差异最大。这种分析有助于确保训练数据的多样性和代表性。

三、训练方法与技术细节

训练AdditiveLLM2的过程就像培养一位从学徒成长为大师的专业工程师，需要经历三个精心设计的学习阶段。每个阶段都有其特定的目标和训练策略，确保AI能够循序渐进地掌握增材制造领域的专业知识和技能。

第一阶段是"理论基础学习"，也就是领域适应性预训练的文本部分。在这个阶段，AI就像是一位刚进入专业领域的学生，需要通过大量阅读来建立坚实的理论基础。系统会接触到从基础概念到前沿研究的各种文本材料，学习专业词汇的含义、技术概念之间的关系，以及领域内的常见表达方式。

这个过程采用了"下一个词预测"的训练方法，就像是让学生做填空练习。给定一段文字的前半部分，AI需要预测下一个词应该是什么。通过这种方式，AI逐渐学会了增材制造领域的"语言习惯"，能够理解和生成符合专业规范的技术表述。训练数据被分割成2,048个令牌的片段，这大约相当于1-2页A4纸的文本量，确保AI能够处理足够长的上下文信息。

第二阶段是"视觉理解学习"，即领域适应性预训练的图像部分。在这个阶段，原本只能"阅读"文字的AI开始学习"观看"和理解图像。这个过程就像是教一个视力恢复的人重新认识世界，需要建立视觉信息与概念知识之间的连接。

有趣的是，在这个阶段，研究团队采用了一种特殊的训练策略：冻结语言模型的参数，只训练视觉处理部分。这就像是让一个已经掌握了理论知识的学生专心学习实践技能，避免理论知识的遗忘。通过这种方式，AI学会了识别各种设备图片、理解工艺流程图、分析微观结构照片等视觉技能。

第三阶段是"综合应用学习"，即视觉指令微调。这是最关键的阶段，AI需要学会如何将文字知识和视觉理解结合起来，回答复杂的专业问题。这就像是让一位理论扎实、实践熟练的工程师学会如何向他人传授知识。

在这个阶段，AI会接触到两种类型的训练任务。第一种是"图像描述任务"，要求AI看到一张图片后能够给出详细、准确的技术描述。第二种是"多轮对话任务"，模拟真实的技术咨询场景，其中用户会就某张图片提出一系列相关问题，AI需要保持对话的连贯性和专业性。

训练过程中采用了一种称为"提示掩码"的技巧。简单来说，就是在计算训练损失时，只关注AI生成的回答部分，而不包括用户提出的问题部分。这就像是在考试时只批改学生的答案，而不考虑题目本身的正确性。这种方法确保AI专注于学习如何给出高质量的回答。

研究团队还创新性地使用了Gemma 3特有的对话标记系统。在多轮对话训练中，他们使用特殊的"轮次开始"标记来区分对话的不同回合。在训练时，AI只需要对最后一个问题的回答负责，前面的问答轮次用于建立上下文背景。这种设计模仿了真实对话中的情况，使得AI能够基于之前的对话历史给出更加合适的回答。

整个训练过程采用了LoRA（低秩适应）技术，这是一种高效的参数调优方法。传统的全参数微调就像是重新装修整栋楼房，而LoRA更像是在关键位置进行精装修。具体来说，只有查询、键值、数值和输出投影层这些核心注意力组件的参数被调整，而模型的大部分参数保持不变。这种方法大大减少了训练时间和计算资源需求，同时保持了优秀的性能。

训练配置方面，研究团队使用了三台英伟达A6000 GPU，每个训练阶段进行3个周期，总计约36小时。这种相对适中的硬件配置使得这项技术更容易被其他研究机构复制和应用，体现了研究的实用性和可推广性。

四、性能评估与基准测试

评估一个AI系统的专业能力需要设计一套全面而严格的测试标准，就像评估一位工程师的专业水平需要考察其理论知识、实践技能和问题解决能力。研究团队为此创建了"增材制造基准测试"，这套测试体系就像是为AI量身定制的专业资格考试。

这套基准测试涵盖了六个不同的评估维度，每个维度都反映了增材制造专业人员在实际工作中需要具备的核心能力。测试数据来源于多个权威资源，确保了评估的客观性和专业性。

理论知识测试分为两种形式：选择题和简答题。选择题部分包含127道题目，涵盖了从激光粉末床熔融到粘结剂喷射等各种增材制造工艺。这些题目就像是专业资格考试中的标准化测试，既考察基础概念的理解，也涉及复杂工艺原理的掌握。例如，题目可能会询问"在激光粉末床熔融过程中，扫描速度对熔池形状的主要影响是什么"，或者"材料挤出工艺中层间粘附强度的关键影响因素有哪些"。

简答题部分同样包含127道题目，但要求更加开放和深入的回答。这种格式更接近实际工作中的技术咨询场景，AI需要能够组织语言，提供清晰、准确且有条理的解释。为了客观评估简答题的质量，研究团队使用了另一个AI系统（GPT-OSS 20B）作为评分员，基于预设的评分标准来打分。这就像是请另一位专家来审核答案的质量和完整性。

熔池参数预测测试考察的是AI对工艺参数与结果关系的理解。这个测试使用了MeltpoolNet数据集中的实验数据，要求AI根据给定的激光功率、扫描速度和材料类型等参数，预测熔池的深度、长度和宽度。这就像是要求一位经验丰富的工程师凭借参数设置来预判加工结果。评估指标采用均方根误差，数值越接近零表示预测越准确。

视觉识别测试是AdditiveLLM2多模态能力的重要体现，包括三个不同的视觉任务。FDM缺陷识别测试要求AI分析3D打印过程的照片，识别出翘曲、拉丝、开裂、层偏移、脱离平台等常见缺陷。这就像是要求质检员通过观察产品外观来判断加工过程中出现的问题。测试使用了100个样本，涵盖了各种典型的缺陷类型。

设备识别测试评估AI对增材制造设备的视觉识别能力。这个测试要求AI不仅能识别设备图片中的加工工艺类型，还要能识别设备的制造商和具体型号。这种能力在实际应用中非常重要，因为不同设备的操作特点和参数设置往往有显著差异。评分时，正确识别工艺类型占50%的权重，识别制造商和型号各占25%。

激光粉末床熔融异常检测测试使用了Peregrine数据集，要求AI分析每层打印完成后的图像，识别其中存在的各种异常情况。这些异常包括重涂器跳跃、熔化不足、过度熔化、飞溅、碎屑等。这个任务模拟了实际生产中的在线监测需求，对确保打印质量具有重要意义。评估采用F1分数，这个指标同时考虑了识别的准确率和完整性。

测试结果显示，基于Gemma 3指令调优版本开发的AdditiveLLM2表现最为出色。在理论知识的选择题测试中，基础模型已经达到了88%的准确率，经过领域适应性训练后提升到93%，展现了显著的专业化效果。简答题的表现同样令人印象深刻，虽然绝对分数较低（这反映了开放性问题评估的严格性），但相对于基础模型仍有明显提升。

在熔池参数预测任务中，有趣的现象是仅进行文本领域适应训练的模型表现最佳，后续的图像训练和指令微调反而略微降低了数值预测的精度。这提醒我们，不同类型的任务可能需要不同的优化策略，专业AI系统的设计需要在通用性和专精性之间找到平衡点。

视觉任务的表现证明了多模态训练的价值。在设备识别和异常检测任务中，经过完整三阶段训练的AdditiveLLM2明显优于仅进行前期训练的版本。特别是在激光粉末床熔融异常检测任务中，最终模型的F1分数达到了0.45左右，考虑到这类任务的复杂性，这是一个相当不错的结果。

五、实验结果与技术突破

通过大量的对比实验，研究团队发现了一些既令人鼓舞又发人深思的结果。这些发现不仅验证了AdditiveLLM2的专业能力，也揭示了专业化AI训练中的一些重要规律和挑战。

最引人注目的发现是指令微调对模型性能的巨大影响。研究团队同时测试了两个版本的基础模型：一个是仅经过预训练的原始版本，另一个是经过指令微调的版本。结果显示，基于指令微调版本开发的AdditiveLLM2在几乎所有任务上都表现出色，而基于原始预训练版本的模型则表现平平。这就像是比较一位受过专门客服培训的技术专家和一位只有理论知识但缺乏沟通技巧的研究员，前者在实际应用中明显更有效。

在理论知识测试中，这种差异尤为明显。指令微调版本的基础模型在选择题上已经达到88%的准确率，而原始版本只有30%左右。经过增材制造领域的专门训练后，指令微调版本进一步提升到93%，而原始版本虽然也有改善，但仍然远低于前者。这个结果强调了在开发专业AI系统时，选择合适的基础模型的重要性。

领域适应性预训练显示出了明显的专业化效果。在所有测试任务中，经过专门训练的模型都优于通用的基础模型。这证实了"术业有专攻"的道理在AI领域同样适用。通过针对性的训练，AI确实能够在特定领域获得更深入的理解和更准确的判断能力。

然而，实验也揭示了一个有趣的现象：训练过程中出现的性能波动。在图像适应性预训练阶段，模型在某些任务上的表现暂时下降。这种现象被称为"灾难性遗忘"，就像一个人在学习新技能时可能暂时忘记一些已掌握的知识。研究团队分析认为，这可能是由于在图像训练阶段冻结了语言模型参数，或者某些图像缺少配对的文本说明造成的。

这种波动在视觉指令微调阶段得到了很好的修复。最终训练完成的模型不仅在视觉任务上表现出色，在语言任务上也恢复甚至超越了之前的水平。这说明合理设计的多阶段训练策略能够有效缓解不同训练阶段之间的冲突，最终实现各种能力的协同发展。

数据规模的影响也值得关注。研究团队使用的训练数据约为4,500万个文本令牌，这个规模虽然相比其他领域适应性研究要小，但仍然取得了显著的效果。这可能是因为增材制造领域的知识相对集中且专业，高质量的数据比数据量本身更重要。这个发现对其他专业领域的AI开发具有重要的指导意义。

在视觉能力方面，AdditiveLLM2展现出了令人印象深刻的理解能力。在FDM缺陷识别任务中，模型能够准确识别细微的质量问题，如轻微的层偏移或不明显的表面缺陷。在设备识别任务中，模型不仅能识别设备类型，还能在很多情况下正确识别制造商和型号，这需要对设备的细节特征有深入的理解。

特别值得一提的是，在激光粉末床熔融异常检测任务中，AdditiveLLM2能够识别多种复杂的异常情况。这些异常往往在图像中表现为微妙的纹理变化或小的形状差异，需要专业的眼光才能识别。AI能够掌握这种专业技能，证明了深度学习在复杂视觉理解任务上的潜力。

模型的泛化能力也得到了验证。虽然训练数据主要来自特定的期刊和研究，但AdditiveLLM2在面对来自其他数据源的测试问题时仍然表现良好。这说明模型学到的不仅仅是表面的模式匹配，而是对增材制造领域深层规律的理解。

六、应用前景与实际意义

AdditiveLLM2的成功不仅仅是一项技术成就，更重要的是它为增材制造行业的数字化转型开启了新的可能性。这种专业化的AI助手将在多个方面改变行业的运作方式，就像智能助手改变了我们的日常生活一样。

在教育培训领域，AdditiveLLM2可以成为一位永不疲倦的专业导师。对于刚进入增材制造领域的新手来说，这个AI助手可以回答各种基础问题，从"什么是支撑结构"到"如何选择合适的层厚度"。更重要的是，它还能根据具体的图片和案例进行教学，比传统的文字教材更加直观生动。即使是经验丰富的工程师，也可以通过与AI的对话来查阅最新的技术发展和解决疑难问题。

在产品开发和工艺优化方面，这个AI助手可以充当智能顾问的角色。工程师可以向它展示打印件的照片，询问可能的缺陷原因和改进建议。AI可以基于大量的文献数据和案例经验，提供针对性的工艺参数调整建议。这就像是有一位集合了数千名专家经验的超级顾问随时待命，大大提高了问题解决的效率。

在质量控制和生产监控方面，AdditiveLLM2的视觉识别能力可以发挥重要作用。它可以实时分析生产过程中的图像，及早发现异常情况并提醒操作人员。相比传统的基于规则的监控系统，AI助手能够处理更复杂的情况，识别人眼可能忽略的细微异常。这种智能监控有助于提高产品质量的一致性，减少废品率。

对于中小企业来说，AdditiveLLM2的意义尤为重大。这些企业往往缺乏专门的技术专家，难以解决复杂的技术问题。有了这样的AI助手，他们可以获得与大企业相当的技术支持水平，这有助于缩小技术差距，促进整个行业的均衡发展。

在研究和开发领域，AdditiveLLM2可以作为研究人员的智能助理，帮助查阅相关文献、分析实验结果、提出假设验证方案。它的多模态能力使得它不仅能处理文字信息，还能分析实验图片和数据图表，这大大提高了研究工作的效率。

更广泛地说，AdditiveLLM2代表了一种新的人机协作模式。在这种模式下，AI不是要替代人类专家，而是要成为人类的智能延伸。专家的创造力、判断力和决策能力仍然不可替代，但AI可以承担信息检索、初步分析、案例对比等辅助性工作，让专家能够将更多精力投入到真正需要人类智慧的创新性工作中。

这种专业化AI的成功也为其他制造业领域提供了借鉴。类似的方法可以应用到焊接、铸造、机械加工等传统制造工艺中，为每个专业领域培养专门的AI助手。这将推动整个制造业的智能化升级，提高技术传承和知识共享的效率。

从技术角度看，AdditiveLLM2证明了在相对较小的数据集上也能训练出高质量的专业AI系统。这降低了专业化AI开发的门槛，使得更多的细分领域和中小机构也能开发自己的专业AI助手。这种技术的民主化趋势将加速各行各业的智能化进程。

在全球制造业竞争加剧的背景下，拥有这样的智能技术优势将成为国家和企业的重要竞争力。通过开源共享的方式发布AdditiveLLM2，研究团队不仅推动了学术研究的进展，也为整个增材制造行业的技术普及做出了贡献。

说到底，AdditiveLLM2的意义远不止于技术本身。它展示了人工智能技术在专业化应用中的巨大潜力，证明了通过合理的数据收集、模型设计和训练策略，我们可以创造出真正有用的专业AI工具。这种成功为未来的AI发展指明了方向：不是盲目追求模型的规模和通用性，而是要针对具体需求，开发真正解决实际问题的智能系统。

随着技术的不断完善和应用的逐步深入，我们有理由相信，像AdditiveLLM2这样的专业AI助手将在不久的将来成为各行各业的标准配置，为人类的工作和生活带来更多便利和可能性。这不仅是技术进步的必然结果，也是人类智慧在数字时代的全新体现。

Q&A

Q1：AdditiveLLM2是什么？

A：AdditiveLLM2是卡内基梅隆大学开发的专门针对增材制造（3D打印）领域的人工智能助手。它不仅能回答关于3D打印的各种专业问题，还能"看懂"技术图片，分析设备照片、识别缺陷、预测工艺参数等，就像一位既懂理论又有实践经验的3D打印专家。

Q2：AdditiveLLM2比普通AI助手厉害在哪里？

A：普通AI助手就像通识教育的老师，什么都懂一点但都不够深入。AdditiveLLM2经过专门的增材制造知识训练，掌握了来自1,704篇专业论文和24,000张技术图片的专业知识，在3D打印领域的表现达到90%以上的准确率，能提供真正有价值的专业指导。

Q3：普通人可以使用AdditiveLLM2吗？

A：目前AdditiveLLM2主要面向专业人士和研究人员，但研究团队采用开源方式发布，这意味着任何有技术能力的人或机构都可以获取并使用。随着技术的普及，未来可能会有更友好的商业版本供普通用户使用。