关于大语言模型你需要了解的所有基础知识，零基础入门到精通，收藏这一篇就够了！
本文详细介绍了大语言模型(LLMs)的基础知识，包括定义、Transformer架构原理、GPT模型工作机制、训练过程(预训练、SFT、RLHF)以及提示工程技巧。文章还探讨了思维链提示和大型推理模型(LRMs)，以及现代LLM的多模态特性，为读者提供了从零开始理解大语言模型的全面指南。
-
最近看到一本书《LLMs In 100 Images》，觉得写的不错，这里z
什么是大语言模型？
大语言模型（LLMs）是经过大量文本数据训练的AI系统，用于理解和生成类似人类的语言。
在训练过程中，它们通过分析来自书籍、文章、网站和其他书面来源的数十亿文本示例来学习语言中的模式、关系和结构。
这使它们能够理解人类语言的语法和语义。
当今使用的一些流行LLM包括：
这些模型是专有的，这意味着它们的内部细节（权重、参数、训练数据、训练方法）不公开。
最广泛使用的开源权重模型（模型权重公开可用）包括：
-
什么驱动着大语言模型？
Transformer架构是当今所有流行LLM的支柱。
Transformer是通过Google在2017年的研究开发的。
-
它的优势在于，与之前的方法不同，它让LLM能够同时（并行地）理解和处理输入文本中的所有单词，而不是一个接一个（顺序地）处理。
这是通过其称为自注意力的机制实现的，该机制帮助确定每个单词与文本序列中其他每个单词的关系。
-
什么是GPT？
GPT，或生成式预训练Transformer，是最早和最广为人知的LLM之一。
GPT诞生于OpenAI的研究，在Google引入Transformer架构一年后，即2018年。
它的继任者ChatGPT是当今最受欢迎的LLM之一。
-
GPT通过根据提示预测下一个单词/标记来生成文本。
这个过程称为自回归，意味着每个单词都是基于之前的单词生成的。
-
你会在描述GPT的图像中看到，它接受输入嵌入和位置编码作为输入。
这看起来有些奇怪，因为应该是单词/句子进入GPT才能产生下一个单词。
事实是，LLM不理解英语（或任何其他人类语言）。
任何英语单词/句子都必须首先被分解成称为标记的小片段，这个过程称为标记化。
在ChatGPT等LLM中，这是使用称为字节对编码的标记化算法完成的。
-
获得的标记然后被编码成称为嵌入的数学形式。
嵌入是高维向量表示，捕获不同单词/句子之间的语义含义和关系。
具有相似含义的单词在更高维空间中具有更接近的嵌入。
如下所示，“Apple”的嵌入比“Pen”更接近“Orange”。
-
我们之前讨论过LLM中的Transformer架构如何让它们并行处理所有单词/标记。
这可能会导致问题，因为在像英语这样的语言中，单词的位置对于传达含义很重要。
这就是为什么使用位置编码将句子中不同单词/标记的位置信息与这些单词/标记的输入嵌入相结合。
-
现在我们已经了解了LLM的内部机制，让我们讨论它们是如何训练的。
训练LLM生成文本
从零开始训练文本生成LLM的第一步是预训练。
在这个阶段，LLM通过处理大量未标记的文本数据集来学习。
在每一步中，它都被给予上下文（即之前的单词/标记），并被要求预测接下来的单词/标记。
这使它逐渐学习语法、事实和常识推理。
-
一旦我们获得了预训练的LLM，就可以通过在特定于这些任务的标记示例上训练它来适应特定任务。
这些任务可能包括模型回答问题、总结文档或更可靠地遵循指令。
这一步称为监督微调（SFT）。
-
在SFT之后，LLM可能会很好地执行任务，但其响应可能仍然偏离人类价值观。
例如，如果你问LLM“圣诞节是什么时候？”，它可能会回答“不是12月25日吗？”。
尽管这个回答是正确的，但你可能更喜欢听起来更有礼貌的回答，比如“圣诞节在每年的12月25日庆祝。”
这是通过一种称为**人类反馈强化学习（RLHF）**的技术实现的。
RLHF通过使用人类判断数据集来指导哪些回答被认为是更好的，从而使LLM与人类价值观、偏好和期望保持一致。
它是使现代LLM（如ChatGPT）实现高对话质量和安全性的关键技术。
-
如何从LLM获得更好的响应？
提示是一种流行的技术，可以帮助你从LLM获得响应，整个称为提示工程的领域已经围绕这种做法出现。
-
两种提示方法很流行
-
除了这些，还引入了许多专门的提示技术，其中之一称为思维链（CoT）提示。
当遵循思维链（CoT）提示时，LLM被指示在提供答案之前逐步推理。
这提高了它在数学、逻辑和推理任务中的准确性
-
还有一种进一步训练LLM的方法，使它们内化这种思维链方法。这有助于它们在响应复杂问题时更好地思考和推理。
这是通过使用强化学习在大量提示示例及其思维链响应的数据集上训练LLM来实现的。
产生的LLM被称为大型推理模型（LRMs）。这些模型在回答查询之前会花时间思考。
当今使用的一些流行LRM包括：
-
现代LLM是多模态的
LLM不仅仅是文本生成器，它们能做的远不止这些。
现代LLM是多模态的。这意味着它们可以处理来自不同模态（音频、图像和视频）的数据作为输入和输出。
-
参考书籍
-
OpenAI的GPT-4o（以ChatGPT的形式）
-
Anthropic的Claude Sonnet 4
-
Google的Gemini 2.5 Flash
-
Meta的Llama
-
DeepSeek的DeepSeek-V3
-
Mistral AI的Mistral Medium 3
-
零样本提示：直接指示LLM执行任务
-
少样本提示：提供与要完成的任务相关的一些示例，以及完成任务的指示。这通常会产生更好的LLM响应。
-
OpenAI的o3和o4-mini
-
Anthropic的Claude Opus 4
-
DeepSeek的DeepSeek-R1
-
LLMs In 100 Images
如何学习AI大模型 ？
“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，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。【保证100%免费】🆓
CSDN粉丝独家福利
这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】
读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈
对于0基础小白入门：
如果你是零基础小白，想快速入门大模型是可以考虑的。
一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
👉1.大模型入门学习思维导图👈
要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。
对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）
👉2.AGI大模型配套视频👈
很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。
👉3.大模型实际应用报告合集👈
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）
👉4.大模型实战项目&项目源码👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）
👉5.大模型经典学习电子书👈
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）
👉6.大模型面试题&答案👈
截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）
为什么分享这些资料?
只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！
这些资料真的有用吗?
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
CSDN粉丝独家福利
这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】
读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈
更多推荐
25
0- 0
已为社区贡献4条内容
所有评论(0)