1. 公开课（视频）：

李宏毅机器学习

斯坦福CS336：从零开始构建语言模型

卡内基梅隆大学【多模态机器学习】

RAG From Scratch

HuggingFace NLP 课程

2. 机器学习和编程基础：

pytorch官方中文教程

[中英字幕]吴恩达机器学习

李宏毅机器学习

3. Attention机制：

论文:《Attention Is All You Need》

Transformer论文逐段精读【论文精读】- 跟李沐学AI

zhihu：动图轻松理解Self-Attention(自注意力机制)

github代码复现：jadore801120/attention-is-all-you-need-pytorch

transformers中各个模块的学习：分词和Tokenizer、词嵌入、位置编码、注意力机制、前馈网络、掩码、标准化、解码技术

4. Bert分支模型的学习和实践：

论文：《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》

嵌入模型的开创工作：Sentence-Bert

现代嵌入模型：GTE、GBE

实践：HuggingFace NLP 课程 - Token 分类

实践：HuggingFace NLP 课程 - 微调掩码语言模型（masked language model）

5. GPT分支模型的学习和实践：

zhihu琦琦：一文读懂GPT家族和BERT的底层区别——自回归和自编码语言模型详解

GPT2模型结构：huggingface/transformers库代码

实践：HuggingFace NLP 课程 - 从头开始训练因果语言模型

6. 大模型预训练与微调：

大模型预训练：

zhihu赵zhijian：LLM PreTraining from scratch -- 大模型从头开始预训练指北

大模型高效微调：

zhihuYBH：大模型微调（finetune）方法总结-LoRA,Adapter,Prefix-tuning，P-tuning，Prompt-tuning

大模型微调框架：

LLaMA-Factory、Huggingface-TRL

7. 大模型强化学习：

• PPO原论文：《Proximal Policy Optimization Algorithms》

• PPO讲解：zhihu猛猿：图解大模型RLHF系列之：人人都能看懂的PPO原理与源码解读

• RLHF原论文：《Deep Reinforcement Learning from Human Preferences》

• DPO原论文：《Direct Preference Optimization: Your Language Model is Secretly a Reward Model》

• Deepseek R1 的GRPO详解：zhihu博主AIQL：DeepSeek的GRPO算法是什么？

8. 近期大语言模型架构：

LLaMA：LLaMA-1、LLaMA-2、LLaMA-3（LLaMA-3.x）、LLaMA-1

Qwen：Qwen-1、Qwen-2、Qwen-3（Qwen-3-MoE）

DeepSeek：DeepSeek-V1、DeepSeek-MoE、DeepSeek-V2、DeepSeek-V3

GPT：GPT-1、GPT-2、GPT-3

9. 大模型应用搭建：

• RAG：

视频课：RAG From Scratch

zhihu大模型开发者社区：深度好文！最全的大模型 RAG 技术概览

读懂RAG这一篇就够了，万字详述RAG的5步流程和12个优化策略

代码实践：ModelScope【RAG实践】基于LlamaIndex和Qwen1.5搭建基于本地知识库的问答机器人

• GraphRAG：

论文：《From Local to Global: A GraphRAG Approach to Query-Focused Summarization》

• Agent：

zhihu悦木Ivy：目前适合落地的agent有哪些值得推荐的框架？

实践代码集合github：asinghcsu/AgenticRAG-Survey

10. LLMInfra/训练推理优化：

zhihu紫气东来：LLM 的推理优化技术纵览

zhihu手抓饼熊：大模型训练工程优化技术

推荐论文：

• Challenges and Applications of Large Language Models

• Beyond Efficiency: A Systematic Survey of Resource-Efficient Large Language Models

• Towards Efficient Generative Large Language Model Serving: A Survey from Algorithms to Systems

实践：

• CUDA基础入门：DefTruth/CUDA-Learn-Notes、godweiyang/NN-CUDA-Example

• CUDA性能分析：ifromeast/cuda_learning

• GPU优化实践：Cjkkkk/CUDA_gemm

• Flash Attention v1&V2：Trition中文文档Tutorials/Fused Attention

• 推理调度：hyuenmin-choi/Orca_reproduce.code

11. 多模态大模型：

卡内基梅隆大学【多模态机器学习】

多模态大模型发展的几个阶段以及对应模型：

• 不同模态进行对齐：CLIP、VLMo

• 大语言模型能力会更重要：Frozen、FLamingo、BLIP-2

• MLP即可完成对齐：LLaVA、MiniGPT-4

• 视觉编码器很重要：Deepseek-VL、Qwen2.5-VL

多模态大模型研究进展：A Comprehensive Review of Multimodal Large Language Models: Performance and Challenges Across Different Tasks

多模态技术论文列表github：BradyFU/Awesome-Multimodal-Large-Language-Models

github项目【Qwen2-VL微调】：Zeyi-Lin/LLM-Finetune

github项目【多模态数据合成】：lemon-little/BetterSynth

12.大模型 AI 学习和面试资料

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】