本文汇总了大模型从预训练、持续预训练、后训练微调、RLHF对齐、主动学习、注意力优化、KV缓存、量化、归一化、数据集范式、评测体系等知识。

一、大模型完整训练五阶段（核心链路）

大模型从原始基座到可上线对话模型，严格分为五个阶段，是所有LLM工程的底层骨架：

1. 预训练阶段（Pre-training）

基于海量无标注通用文本，采用自监督下一个token预测，让模型学习通用语言、语法、世界知识。

输出：基座Base模型。

特点：懂知识、会续写，但听不懂指令、不会对齐人类意图、安全性差。

2. 持续预训练阶段（Continued Pre-training）

属于预训练延伸，不是微调。在已有基座基础上，灌入领域无标注文本，依然使用next-token自监督损失。

作用：补领域知识、更新时效性知识、做领域基座适配。

和SFT核心区别：无指令问答对，纯文本续写范式。

3. 后训练阶段（Post-training）

广义总称：基座预训练完成后，所有对齐人类意图的训练统称为后训练。

包含两大核心：SFT有监督微调 + RLHF/DPO人类偏好对齐。

4. 有监督微调SFT

使用高质量指令-回答配对数据训练，只对回答部分计算loss。

核心作用：让模型听懂人类指令、规范输出格式、学会任务范式。

局限：只能模仿标注数据，无法区分回答好坏，存在啰嗦、幻觉、不优质问题。

5. 人类反馈强化学习RLHF/DPO

基于人类偏好排序数据，优化回答质量、简洁性、真实性、安全性。

传统RLHF分为：奖励模型RM训练 + PPO强化训练；

工业界主流：DPO直接替代PPO，无需单独训练RM，链路更简单、更稳。

核心：SFT学“对不对”，DPO学“好不好”。

二、五大训练链路核心区别（面试必背）

阶段	数据形式	训练范式	核心价值
预训练	海量无标注文本	自监督next-token	学习通用知识与语言能力
持续预训练	领域无标注文本	自监督next-token	领域知识增强、时效更新
SFT微调	指令问答对	有监督微调	学会服从指令、规范输出
RLHF/DPO	偏好排序数据	强化/偏好对齐	优化回答质量、安全、风格
主动学习	海量未标注数据	数据筛选方法论	低成本挖掘高价值难例样本

三、主动学习与业务负反馈闭环

1. 核心思想

不随机标注数据，用模型从未标注池中自动筛选信息增益最大的样本人工标注，以极低标注成本持续提升模型。

2. 三大采样策略

- 不确定性采样：选模型预测最犹豫、熵最大的样本；

- 委员会查询QBC：多模型预测分歧最大的样本；

- 多样性采样：避免样本扎堆，保证场景覆盖。

3. 主动学习 vs 业务BadCase负反馈

- 负反馈：只收集已经出错的线上坏案例，治标不治本，容易过拟合；

- 主动学习：不仅修复已出错样本，还能挖掘潜在风险、模型不确定但未暴露的难例，做到风险前置。

工业最佳实践：离线主动挖掘 + 线上负反馈闭环 + 混入正常样本防偏差。

四、大模型评估体系（学术 vs 工业落地）

1. 核心金句

海量数据下，业务评估不依赖统计学完美，依赖高频体感 + 负反馈驱动迭代。

2. 学术评测（Harness框架）

lm-evaluation-harness 核心理念：

一切皆插件，一切皆有迹可循

- 一切皆插件：模型后端、评测任务、指标全部可插拔，无需改动核心逻辑；

- 一切皆有迹可循：全量保存prompt、输出、标准答案、配置，可回溯、可复现、可做badcase分析。

作用：版本回归兜底，防止模型退化，不能替代线上真实评测。

3. 工业业务评估逻辑

- 不迷信全局准确率：统计均值会掩盖高频坏case；

- 优先保障Top高频流量场景，容忍极低频长尾错误；

- 以用户体感、会话完成率、重试率、点踩率为核心指标；

- 数据飞轮：线上负反馈回流 → 清洗筛选 → 增量微调迭代。

五、注意力机制优化与KV Cache体系

1. 推理两阶段

- Prefill阶段：全量prompt一次性计算，计算密集型，瓶颈在算力；

- Decode阶段：逐token生成，复用KV缓存，访存密集型，瓶颈在显存带宽。

2. KV Cache核心作用

缓存每一层历史K、V，避免每步重复计算，将Decode复杂度从O(N²)降为O(N)，是LLM高速推理的核心。

痛点：KV Cache显存占用通常超过模型权重本身，是并发和长上下文的最大瓶颈。

3. 注意力结构演进（降KV显存）

- MHA：Q/KV头数一致，显存最大；

- MQA：全部Q头共享一组KV，显存极低、精度损失大；

- GQA（工业主流）：分组共享KV，精度与显存完美折中；

- MLA：隐向量压缩KV，极致长上下文优化，需重新训练。

4. 工程优化

- FlashAttention：分块计算、Online Softmax，消除O(N²)中间矩阵，加速Prefill、降显存；

- PagedAttention（vLLM核心）：KV分页内存管理，解决显存碎片、支持前缀缓存、大幅提升并发。

六、模型量化：GPTQ vs AWQ（工业PTQ后量化）

两者均为训练后权重量化（W4A16），无需重训练，权重4bit、激活FP16。

1. GPTQ

基于Hessian二阶信息，逐层最小化输出误差，逐列补偿量化误差。

优点：通用精度高、生态成熟、Marlin内核吞吐极强，适合大规模线上生产。

缺点：量化校准计算量大、速度慢。

2. AWQ

激活感知量化，识别高贡献权重通道，数学等价缩放保护重要权重，无需Hessian。

优点：量化速度极快、对话生成场景精度更优、小模型/低比特更稳。

缺点：对校准集分布匹配度敏感。

3. 选型总结

- 大厂量产、通用任务、追求极致稳定：GPTQ；

- 自研微调、对话场景、快速量化：AWQ。

七、四大归一化彻底辨析（面试高频坑）

1. 数据集归一化（数据预处理）

对输入特征做MinMax/Z-Score缩放，属于特征尺度对齐优化。

作用：抹平特征量纲差异、优化损失地形、加速梯度收敛。

注意：树模型不需要归一化；神经网络、SVM必须归一化。

2. LayerNorm / RMSNorm（LLM标配）

归一网络激活特征，稳定层输入分布、缓解梯度消失、加速收敛。

LLM使用Pre-Norm架构，每一层Attention/FFN前归一激活。

3. WeightNorm 权重归一化

对模型可训练权重参数重参数化：W = g·v/||v||

将权重方向与模长解耦，不依赖batch统计，小batch/RL/RNN场景稳定。

重点：LLM Transformer完全不用WeightNorm。

4. Softmax 归一（极易混淆）

作用于注意力分数logits，输出概率分布，求和为1；

属于激活变换，不是权重归一、不是数据归一。

核心结论：归一化本质是重参数化/数据预处理优化，不更新参数，而是让优化器更好收敛。

八、PyTorch两大数据集范式

1. 映射型数据集 Map-style

继承Dataset，实现__getitem__、__len__，支持随机下标访问。

特点：可shuffle、可索引、适合中小静态数据集、SFT微调。

2. 迭代型数据集 Iterable-style

继承IterableDataset，实现__iter__，流式惰性加载、无随机索引。

特点：适配TB级预训练语料、无需全量加载内存；无法直接shuffle，多进程需手动分片防重复。

九、AI行业经典金句（可直接背诵）

1. Garbage in，garbage out：数据质量决定模型上限，模型能力只是下限。

2. 一切皆插件，一切皆有迹可循：评测框架插件化、实验可回溯、可复现。

3. Think step by step：思维链显式推理，大幅提升大模型逻辑能力。

4. 静态指标只做兜底，业务迭代靠高频体感与负反馈闭环。

5. 预训练学知识，SFT学指令，DPO学偏好，三者不可替代。

6. Prefill是计算瓶颈，Decode是显存带宽瓶颈。

7. 归一化不直接求解最优解，而是把优化问题变得更容易求解。

8. 映射数据集先有索引再取数据，迭代数据集边迭代边产出数据。