大模型的预训练

预训练值得特别关注有2个原因：

1. 前期预训练的成本高（GPT-4预训练成本超1亿美元）但效果好；后期的模型微调则投入产出比低；

2. 预训练依赖大规模数据，企业长期积累的优质数据是核心竞争力（数据质量与大模型生成效果呈正相关）

数据集和训练数据

Transformer算法

►Transformer 是什么？ 变形金刚？

►大语言模型是基于概率的模型，它基于训练数据中的统计信息，预测下一个词；

►由于基于概率去决策，即使是相同问题，每次回答都稍微不同

Transformer架构工作流程：

►组成

Transformer 由 Encoder 和 Decoder 两个部分组成

►步骤

►►第一步：输入各维度向量，相加得到向量矩阵X（全局上下文理解）

获取输入句子的每一个单词的表示向量 X，X由单词的 Embedding（Embedding就是从原始数据提取出来的Feature） 和单词位置的 Embedding 相加得到向量矩阵X。

►►第二步：输入向量矩阵X，Encoder输出编码信息矩阵 C

►►第三步：输入编码信息矩阵 C，Decoder 输出预测性结果

编码信息矩阵 C 输入Decoder，根据当前解码过的单词 1~ i 解码下一个单词 i+1，最终得到预测性结果

token计算

影响大模型 token 生成速率的采样概率参数有 max_token、top_k/top_p、temperature

"大模型通过Token处理文本时，中文的Token-字符映射呈现阶梯式特征：

1. 基础层：单个汉字=1 Token（例：'我'）

2. 复合层：双字词=1 Token（例：'人工智能'）

3. 成语层：四字短语=1 Token（例：'守株待兔'）

最大上下文长度

上下文是指大模型处理任务的时候，能够考虑的信息范围。

max_token指的是模型一次性能够接收的最大字符数或 token 数（如果输入的文本超过了这个限制，超出部分将被截断或者忽略，这就会导致上下文信息的丢失）。

Token概率采样策略

Token统计器

在线统计：OpenAI Tokens 在线计算工具 - AIGC2D.com

离线统计：

from typing import List, Dictimport tiktokenfrom aihub_service.model.request.ai_base_request import Messageclass TokenTracker:    """支持上下文Token统计的增强版"""    def __init__(self, model_name:str=""):        self.model_name = model_name        self._init_encoder()    def _init_encoder(self):        """初始化编码器"""        try:            self.encoding = tiktoken.encoding_for_model(self.model_name)            self.is_openai = True        except KeyError:            self.encoding = tiktoken.get_encoding("cl100k_base")            self.is_openai = False  # 非OpenAI模型可能使用不同规则    def _openai_message_tokens(self, message: Message) -> int:        """计算单条消息的Token（含OpenAI特殊格式）"""        # 官方计算规则：https://platform.openai.com/docs/guides/text-generation/managing-tokens        tokens_per_message = 4  # 每条消息的基础开销        tokens = tokens_per_message        tokens += len(self.encoding.encode(message.content))        if message.role:            tokens += len(self.encoding.encode(message.role)) + 1        return tokens    def count_context_tokens(self, context: List[Message]) -> int:        """统计上下文Token总数"""        if self.is_openai:            # OpenAI聊天模型特殊计算规则            tokens_per_reply = 3  # 每次回复的固定开销            total = sum([self._openai_message_tokens(msg) for msg in context])            total += tokens_per_reply            return total        else:            # 通用模型直接拼接文本计算            full_text = "\n".join([msg.content for msg in context])            return len(self.encoding.encode(full_text))    def predict_output_tokens(self, output_text: str) -> int:        """预测输出Token数"""        return len(self.encoding.encode(output_text))    def track_full_token_usage(            self,            input_text: str,            output_text: str,            context: List[Message] = None    ) -> Dict:        """完整使用统计（输入+输出+上下文）"""        context = context or []        # 统计各部分        context_tokens = self.count_context_tokens(context)        input_tokens = len(self.encoding.encode(input_text))        output_tokens = self.predict_output_tokens(output_text)        # 总消耗 = 上下文 + 本次输入 + 输出        total_tokens = context_tokens + input_tokens + output_tokens        return {            "input_tokens": input_tokens + context_tokens,            "output_tokens": output_tokens,            "total_tokens": total_tokens,        }

词嵌入、注意力机制、相似性比较