核心要点
模型本质是一个「输入→输出」的映射函数，内部由一组可调整的参数（如权重）决定。
训练：用带答案的历史数据反复调整参数，让模型的预测尽量接近真实答案。
推理（预测）：训练完成后，把新数据喂给模型，让它输出预测结果。
训练只做一次或定期做，推理是模型上线后每天大量重复执行的部分。
标准回答
模型是什么
可以把模型理解成一个「会做题的函数」：你给它一个输入（比如一套房子的面积、楼层），它给你一个输出（比如预测的房价）。这个函数内部有很多可调的数字，叫做参数。模型好不好，取决于这些参数调得准不准。
训练
训练就是「教模型做题」的过程。我们准备大量已知答案的数据（房子信息 + 真实成交价），让模型先预测，再用预测值和真实值的差距去反向调整参数，一遍遍重复，直到预测越来越准。这个调参过程是自动的。
推理
训练好之后，参数就固定下来了。这时来了一套从没见过的新房子，模型用已经学好的参数直接算出预测价格，这一步叫推理。训练像「学生复习刷题」，推理像「考试时答新题」。
常见误区
⚠️ 常见踩坑
初学者常以为模型推理时还在「学习」。其实推理阶段参数已固定，模型不会再改变，只是用现成的参数做计算。
追问
追问 1：训练和推理哪个更耗资源？
通常训练更耗资源，因为要反复遍历海量数据、反复调参，可能跑几天几周。推理单次很快，但因为上线后调用次数极多，长期累计的总算力成本也可能很高。
追问 2：模型「学到」的东西具体存在哪里？
存在模型的参数（权重和偏置）里。训练的成果就是这一组数字，把它们保存下来（即模型文件），换台机器加载这组参数就能复现同样的预测能力。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。