面对这一飞速演进的技术体系，如何系统理解其理论基础、掌握核心算法与工程实践，已成为每一位 AI 从业者、研究者、高校学子的必修课。

这些发现促使本书的作者“复旦大学NLP团队”张奇、桂韬、郑锐、黄萱菁几位老师对本书第 1 版进行修订升级，补充最新的研究成果和技术内容。

《大规模语言模型：从理论到实践（第2版）》的出版上市，希望可以让读者快速掌握大语言模型的研究与应用，更好地应对相关技术挑战，为推动这一领域的进步贡献力量。

这本《大规模语言模型：从理论到实践（第2版）》书已整理并打包好PDF了

目录：

第1章 绪论1

第2章 大语言模型基础13

第3章 大语言模型预训练数据52

第4章 分布式训练83

第5章 指令微调127

第6章 强化学习164

第7章 多模态大语言模型200

第8章 大模型智能体231

第9章 检索增强生成280

第10章 大语言模型效率优化330

第11章 大语言模型评估362

第12章 大语言模型应用开发401

参考文献422

索引451

第二版核心升级内容如下：

(1) 前沿技术聚焦：深度剖析MoE架构、多模态、智能体、RAG四大技术趋势

(2) 知识体系重构：覆盖预训练→微调→强化学习→应用开发→效率优化的全流程

(3) 实践价值提升：新增逾40%的前沿研究成果与技术案例，增设工程实践指南与评估体系模块

章节

本书共分为12章，围绕大语言模型基础理论、预训练、指令理解、大模型增强和大模型应用五个部分展开。

第1章 绪论

简明介绍了大语言模型的基本概念、发展历史、构建流程，并说明了本书的结构安排，为读者建立起全局认知框架。

第2章 大语言模型基础

深入解析了 LLM 的核心结构——Transformer，包括嵌入、注意力、前馈网络等组成部分，并详解 GPT 模型、混合专家模型（MoE）等不同架构，帮助读者建立从基本结构到模型架构的技术认知。

第3章 预训练数据

介绍了预训练所需的大规模语料来源与数据处理方法（如清洗、去重、切词等），并探讨数据质量、规模、多样性对模型性能的影响。还列举了主流开源数据集，为实际预训练奠定数据基础。

第4章 分布式训练

详细讲解数据并行、模型并行、混合并行等策略及其内存优化技巧，结合实际框架（如 DeepSpeed）的实践，帮助读者理解如何高效训练大模型。

第5章 指令微调

系统介绍了指令微调的理念、数据构建与评估方法、LoRA 等高效微调技术，并辅以 DeepSpeed-Chat 的实践说明，面向实际应用强化模型指令理解与响应能力。

第6章 强化学习

聚焦于 RLHF（基于人类反馈的强化学习），介绍策略梯度、PPO 等算法在语言模型中的应用，结合 DeepSeek-R1、Kimi 等模型案例，展示 RL 在提升生成质量方面的重要作用。

第7章 多模态大语言模型

探讨语言模型与视觉、语音等模态融合的架构与挑战，并详细介绍 MiniGPT-4 的结构和训练方法，是理解 AI 从语言走向感知智能的关键章节。

第8章 大模型智能体

围绕“智能体”概念，讲述其模块化架构（感知、记忆、工具等），并以 LangChain 与 Coze 平台为实践例，说明如何基于 LLM 构建具备规划与行动能力的智能体系统。

第9章 检索增强生成（RAG）

系统介绍 RAG 的整体架构、模块化设计、优化策略与评估方法，适用于提升 LLM 在开放知识任务中的能力。也包括构建与优化 RAG 系统的工程实践。

第10章 效率优化

讨论 LLM 的训练与推理效率，包括模型压缩、低精度训练、稀疏化、知识蒸馏等方法，并以 vLLM 推理框架为实践案例，为部署与落地提供技术方案。

第11章 模型评估

构建了评估 LLM 的系统框架，涵盖知识能力、伦理安全与垂直领域，结合具体评估指标和数据集，为模型开发与应用提供反馈机制与质量保障。

第12章 应用开发

介绍 LLM 在多个场景的应用（如聊天、代码、搜索、教育等），并包含实际开发案例与本地部署实践（如 llama.cpp、Ollama），为开发者提供从原理到落地的全链路指南。

总结：

这本书构建了一个由理论基础 → 数据处理 → 模型训练 → 微调与强化 → 多模态 → 智能体 → 应用开发与部署组成的完整技术闭环，是面向工程实践和科研学习的全景式 LLM 教程。既适合新手入门，也适合有经验的开发者系统提升。

本书架构

围绕 LLM 理论基础、预训练、指令理解、大模型增强、大模型应用五大部分展开。

这本《大规模语言模型：从理论到实践（第2版）》书已整理并打包好PDF了