大语言模型中采用了多种技术，其中一些关键技术包括：

1. 神经网络模型：大语言模型基于神经网络模型，通常采用前向反馈神经网络（Feedforward Neural Network，FNN）或变换器模型（Transformer）。

2. 预训练语言模型：大语言模型通常通过预训练方式得到，即在大量文本数据上训练出一个语言模型，然后针对特定任务进行微调。

3. 自注意力机制：自注意力机制（Self-Attention）是大语言模型中重要的的一种机制，它能够使模型关注到输入序列中的不同位置，从而捕捉到输入序列之间的复杂关系。

4. 深度学习框架：大语言模型通常基于深度学习框架进行训练和推理，如TensorFlow、Pytorch等。

5. 数据增强：大语言模型需要大量数据进行训练，但往往没有足够的标注数据，因此可以采用数据增强（Data Augmentation）技术，通过对数据进行变换和扩展，来增加数据量。

6. 模型压缩：由于大语言模型参数量非常大，因此需要进行模型压缩（Model Compression），以降低模型大小和计算复杂度。

这些技术的运用使得大语言模型能够从大量文本数据中学习到复杂的语言模式，从而实现自然语言处理的任务。