由于目前的工作，有一部分是为运营提供一些流量分析的支持，所以一些相应的基础知识就不得不学起来了。目前其中一种需求，就是统计广告的投放效果，常规做法就是添加追踪，在追踪链中添加utm参数，这样对于数据平台的聚合统计就比较方便了UTM ：“Urchin Tracking Module”的简写，中文的大概意思就是跟踪模块功能：追踪渠道来源，便于根据不同渠道、内容等细分数据，目的：精细化运营分析...

大语言模型的训练主要包括哪几个阶段？每个阶段需要的数据、算力、训练方式、产出模型分别是什么？ 每个阶段的训练难点分别是什么？哪个阶段是必须的，哪个阶段是可选的？ 每个阶段模型的训练难点分别是什么？

算力是AI发展的驱动力，大模型时代更要格外关注算力。目前的大模型是个重资产行业，底层竞争在于半导体产业，AI的发展离不开芯片，甚至可以说，整个信息时代的发展都离不开芯片。

努力用这一万字，把Transformer相关知识讲明白......

努力用这一万字，把Transformer相关知识讲明白......

算力是AI发展的驱动力，大模型时代更要格外关注算力。目前的大模型是个重资产行业，底层竞争在于半导体产业，AI的发展离不开芯片，甚至可以说，整个信息时代的发展都离不开芯片。

今天开始计划开启一个系列 《带你自学大语言模型》。该系列的落脚点是“自学”和“大语言模型”，二者不分伯仲，因为我不想只做大语言模型知识的传递，互联网上已经有太多同质化的信息了；我希望能以学习大语言模型作为开始，帮助你一步步养成自学的能力。

上周LLM圈的大事件，莫过于LLaMa 3.1和 Mistral Large 2这两个开源模型的发布。本文对LLaMa 3进行技术分析

后面计划开始写RAG系列了,前面的坑也会陆续填的。本节6.1.1聊聊Al搜索,非技术向的,6.1.2~6.1.6 是RAG技术向的,大家按需取用即可。

本篇从大模型的评估方法，评估数据集来谈大语言模型的评估，主要侧重于数据集角度。本篇仍然是工具属性较多，整理了大量的评估数据集来源，建议是可以收藏，有需要的时候再看，我也是这样操作的