一、LLM Fundamentals 基础1. 机器学习的数学基础在掌握机器学习之前理解支撑这些算法的基本数学概念非常重要。线性代数这是理解许多算法特别是深度学习算法的关键。主要概念包括向量、矩阵、行列式、特征值和特征向量、向量空间以及线性变换。微积分许多机器学习算法涉及到连续函数的优化这需要理解导数、积分、极限和级数。多变量微积分以及梯度的概念也很重要。概率论与统计学这些知识对于理解模型如何从数据中学习并进行预测至关重要。主要概念包括概率理论、随机变量、概率分布、期望、方差、协方差、相关性、假设检验、置信区间、最大似然估计和贝叶斯推断。2. 机器学习的 PythonPython 是一种强大且灵活的编程语言因其可读性、一致性和强大的数据科学库生态系统而特别适合机器学习。Python 基础掌握 Python 编程需要理解基本语法、数据类型、错误处理和面向对象编程。数据科学库包括熟悉 NumPy 用于数值计算Pandas 用于数据操作和分析以及 Matplotlib 和 Seaborn 用于数据可视化。数据预处理这包括特征缩放和标准化、处理缺失数据、异常值检测、分类数据编码以及将数据划分为训练集、验证集和测试集。机器学习库熟练使用 Scikit-learn 是至关重要的这个库提供了广泛的有监督和无监督学习算法。理解如何实现线性回归、逻辑回归、决策树、随机森林、K 最近邻K-NN和 K-means 聚类等算法也很重要。主成分分析PCA和 t-SNE 等降维技术对可视化高维数据也非常有帮助。3. 神经网络神经网络是许多机器学习模型的基础特别是在深度学习领域。要有效利用神经网络需要全面理解其设计和机制。基础知识包括理解神经网络的结构如层、权重、偏置以及激活函数如 sigmoid、tanh、ReLU 等。训练和优化熟悉反向传播算法以及不同类型的损失函数如均方误差MSE和交叉熵。理解各种优化算法如梯度下降、随机梯度下降、RMSprop 和 Adam。过拟合了解过拟合的概念即模型在训练数据上表现良好但在未见过的数据上表现较差各种正则化技术如 dropout、L1/L2 正则化、提前停止、数据增强以防止过拟合。实现多层感知机MLP构建一个多层感知机也称为全连接网络。4. 自然语言处理NLP自然语言处理NLP是人工智能的一个迷人领域它弥合了人类语言与机器理解之间的差距。从简单的文本处理到理解语言细微差别NLP 在翻译、情感分析、聊天机器人等许多应用中扮演了关键角色。文本预处理学习各种文本预处理步骤如分词将文本拆分为单词或句子、词干提取将单词还原为其根形、词形还原类似于词干提取但考虑上下文、停用词去除等。特征提取技术熟悉将文本数据转换为机器学习算法可以理解的格式的方法。关键方法包括词袋模型BoW、词频-逆文档频率TF-IDF和 n-grams。词嵌入词嵌入是一种词语表示方法它允许具有相似含义的词具有相似的表示。关键方法包括 Word2Vec、GloVe 和 FastText。递归神经网络RNNs理解 RNNs 的工作原理这是一种设计用于处理序列数据的神经网络。探索 LSTM 和 GRU这两种 RNN 变体能够学习长期依赖关系。二、LLM Scientist 科学家1. 大型语言模型LLM架构虽然对 Transformer 架构的深入理解不是必须的但了解其输入tokens和输出logits是非常重要的。原始的注意力机制是另一个关键组件因为后续版本中引入了改进的版本。高层次视角重新审视编码器-解码器 Transformer 架构特别是仅解码器的 GPT 架构这在现代大型语言模型中广泛使用。分词理解如何将原始文本数据转换为模型可以理解的格式这涉及将文本拆分为 tokens通常是单词或子词。注意力机制掌握注意力机制的理论包括自注意力和缩放点积注意力这使得模型在生成输出时能够关注输入的不同部分。文本生成了解模型生成输出序列的不同方式。常见的策略包括贪婪解码、束搜索beam search、top-k 采样和核采样nucleus sampling。2. 构建指令数据集虽然从维基百科和其他网站获取原始数据很容易但在自然环境中收集指令和答案的配对却很困难。正如在传统机器学习中一样数据集的质量将直接影响模型的质量因此它可能是微调过程中最重要的组成部分。Alpaca-类似数据集使用 OpenAI APIGPT从零生成合成数据。您可以指定种子和系统提示以创建多样化的数据集。高级技术学习如何使用 Evol-Instruct 改进现有数据集如何生成高质量的合成数据如在 Orca 和 phi-1 论文中所述。数据过滤传统技术包括正则表达式regex、删除近似重复项、关注具有较高 token 数量的答案等。提示模板没有真正标准的指令和答案格式因此了解不同的聊天模板如 ChatML、Alpaca 等是重要的。3. 预训练模型预训练是一个非常漫长且昂贵的过程。了解预训练过程中发生的事情是有益的但不需要实际操作经验。数据管道预训练需要巨大的数据集例如Llama 2 在 2 万亿 tokens 上进行了训练这些数据需要经过过滤、分词并与预定义的词汇表进行整理。因果语言建模了解因果语言建模与掩码语言建模的区别以及在这种情况下使用的损失函数。为了高效的预训练深入了解 Megatron-LM 或 gpt-neox。规模定律规模定律 描述了模型性能如何随着模型大小、数据集大小和训练所用计算量的变化而变化。高性能计算此处不涉及但如果您计划从头开始创建自己的大型语言模型了解 HPC硬件、分布式工作负载等是基础知识。4. 监督微调预训练模型仅在下一个 token 预测任务上进行训练这使得它们在处理指令时并不是特别有用。监督微调SFT可以调整它们以响应指令。此外它还允许您在任何数据上如私有数据或未见过的数据对模型进行微调并在不需要支付如 OpenAI API 的费用的情况下使用它。全面微调全面微调指的是训练模型中的所有参数。这是一种效率较低的技术但能够产生略好的结果。LoRA一种基于低秩适配器的参数高效技术PEFT。它不是训练所有参数而是仅训练这些适配器。QLoRA另一种基于 LoRA 的 PEFT 技术它将模型的权重量化为 4 位并引入分页优化器以管理内存峰值。结合 Unsloth 使用可以在免费的 Colab 笔记本上高效运行。Axolotl一个用户友好且功能强大的微调工具被许多最先进的开源模型使用。DeepSpeed针对多 GPU 和多节点设置的高效预训练和微调工具在 Axolotl 中实现。5. 偏好对齐在监督微调之后强化学习从人类反馈RLHF是用于将大型语言模型LLM的回答与人类期望对齐的步骤。其核心思想是通过从人类或人工反馈中学习偏好以减少偏见、审查模型或使其更有用。这比 SFT 更复杂通常被视为可选步骤。偏好数据集这些数据集通常包含若干个带有某种排序的答案因此比指令数据集更难生成。近端策略优化PPO该算法利用一个奖励模型来预测给定文本是否被人类高度评价。然后使用这个预测来优化 SFT 模型并根据 KL 散度施加惩罚。直接偏好优化DPODPO 通过将问题重新表述为分类问题来简化过程。它使用参考模型而不是奖励模型无需训练并且只需要一个超参数使其更加稳定和高效。6. 评估评估大型语言模型LLM是管道中一个被低估的部分这一过程既耗时又具有一定的可靠性。您的下游任务应决定您需要评估的内容但始终记住 Goodhart 定律“当一个度量成为目标时它不再是一个好的度量。”传统指标像困惑度Perplexity和 BLEU 分数这样的指标现在不如以前流行因为它们在大多数情况下存在缺陷。尽管如此理解这些指标以及它们的适用场景仍然很重要。通用基准基于 语言模型评估工具包Language Model Evaluation HarnessOpen LLM Leaderboard 是通用 LLM如 ChatGPT的主要基准。还有其他流行的基准如 BigBench、MT-Bench 等。任务特定基准诸如摘要生成、翻译和问答等任务具有专门的基准、指标甚至子领域如医学、金融等例如用于生物医学问答的 PubMedQA。人工评估最可靠的评估是用户的接受率或人类的比较。除了聊天记录之外记录用户反馈例如使用 LangSmith有助于识别潜在的改进领域。7. 量化量化是将模型的权重和激活值转换为更低精度的过程。例如将使用 16 位存储的权重转换为 4 位表示。这个技术在减少大型语言模型LLM的计算和内存成本方面变得越来越重要。基础技术学习不同的精度级别如 FP32、FP16、INT8 等以及如何使用 absmax 和零点技术进行简单的量化。GGUF 和 llama.cpp最初设计用于在 CPU 上运行llama.cpp 和 GGUF 格式已成为在消费级硬件上运行 LLM 的最受欢迎的工具。GPTQ 和 EXL2GPTQ 和更具体的 EXL2 格式提供了极快的速度但只能在 GPU 上运行。模型的量化过程也需要较长时间。AWQ这种新格式比 GPTQ 更准确困惑度更低但使用了更多的 VRAM且不一定更快。8. 新趋势一些新的发展趋势。位置嵌入了解大型语言模型LLM如何编码位置特别是像 RoPE 这样的相对位置编码方案。实现 YaRN将注意力矩阵乘以温度因子或 ALiBi基于 token 距离的注意力惩罚来扩展上下文长度。模型合并合并训练好的模型已成为创建高性能模型的一种流行方法无需进行微调。流行的 mergekit 库实现了最受欢迎的合并方法如 SLERP、DARE 和 TIES。专家混合由于其优异的性能Mixtral 使 MoE 架构重新流行。与此同时OSS 社区中出现了一种 frankenMoE 类型通过合并模型如 Phixtral 提供了更便宜且性能良好的选择。多模态模型这些模型如 CLIP、Stable Diffusion 或 LLaVA可以处理多种类型的输入文本、图像、音频等并使用统一的嵌入空间这解锁了如文本到图像等强大的应用。三、LLM Engineer 工程师1. 运行大型语言模型LLMs由于硬件要求高运行大型语言模型可能会很困难。根据您的使用案例您可能希望通过 API如 GPT-4来简单地使用模型或在本地运行它。在任何情况下提示和指导技术可以改善和约束您的应用输出。LLM APIAPI 是部署 LLM 的一种方便方式。这个领域分为私人 LLM如 OpenAI、Google、Anthropic、Cohere 等和开源 LLM如 OpenRouter、Hugging Face、Together AI 等。开源 LLM可以在 Hugging Face Hub 上找到 LLM。您可以直接在 Hugging Face Spaces 中运行其中一些或通过像 LM Studio 这样的应用程序本地下载并运行或通过 CLI 使用 llama.cpp 或 Ollama。提示工程常见的技术包括零样本提示、少样本提示、思维链和 ReAct。这些技术在更大的模型中效果更好但也可以调整用于较小的模型。结构化输出许多任务需要结构化输出如严格的模板或 JSON 格式。可以使用像 LMQL、Outlines、Guidance 等库来指导生成并遵循给定的结构。2. 构建向量存储创建向量存储是构建检索增强生成RAG管道的第一步。文档被加载、拆分并且相关的块被用来生成向量表示嵌入这些向量会被存储以便在推理过程中使用。文档导入文档加载器是处理多种格式的便利工具包括 PDF、JSON、HTML、Markdown 等。它们还可以直接从一些数据库和 API如 GitHub、Reddit、Google Drive 等中检索数据。拆分文档文本拆分器将文档分解为较小且语义上有意义的块。与其在n个字符后拆分文本不如按标题拆分或递归拆分并附加一些额外的元数据。嵌入模型嵌入模型将文本转换为向量表示。这允许对语言进行更深层次和更细致的理解这是执行语义搜索所必需的。向量数据库向量数据库如 Chroma、Pinecone、Milvus、FAISS、Annoy 等专门用于存储嵌入向量。它们可以根据向量相似性高效地检索与查询“最相似”的数据。3. 检索增强生成RAG通过 RAG大型语言模型LLM从数据库中检索上下文文档以提高答案的准确性。RAG 是增强模型知识的一种流行方法无需进行微调。协调器协调器如 LangChain、LlamaIndex、FastRAG 等是将 LLM 连接到工具、数据库、记忆等的流行框架并增强其能力。Zlai也是属于这里。检索器用户指令通常没有针对检索进行优化。可以应用不同的技术例如多查询检索器、HyDE 等来重新措辞/扩展它们并提高性能。记忆为了记住先前的指令和回答LLM 和像 ChatGPT 这样的聊天机器人将这些历史信息添加到上下文窗口中。可以通过总结例如使用较小的 LLM、向量存储 RAG 等方法来改进这个缓冲区。评估我们需要评估文档检索上下文精确度和召回率和生成阶段答案的准确性和相关性。可以使用 Ragas 和 DeepEval 等工具简化评估过程。4. 高级 RAG现实应用可能需要复杂的管道包括 SQL 或图数据库以及自动选择相关工具和 API。这些高级技术可以改进基础解决方案并提供额外功能。查询构造存储在传统数据库中的结构化数据需要特定的查询语言如 SQL、Cypher、元数据等。我们可以直接将用户指令转换为查询以通过查询构造访问数据。代理和工具代理通过自动选择最相关的工具来增强 LLM。这些工具可以像使用 Google 或 Wikipedia 这样简单也可以像 Python 解释器或 Jira 这样复杂。后处理最后一步处理输入的数据这些数据被送入 LLM。通过重新排序、RAG-fusion 和分类等方法增强检索文档的相关性和多样性。编程 LLM像 DSPy 这样的框架允许您基于自动评估以编程方式优化提示和权重。5. 推理优化文本生成是一个成本高昂的过程需要昂贵的硬件。除了量化之外还有各种技术被提出以最大化吞吐量并降低推理成本。闪电注意力Flash Attention优化注意力机制将其复杂度从平方级别降低到线性级别从而加快训练和推理速度。键值缓存Key-value cache了解键值缓存以及 多查询注意力Multi-Query AttentionMQA 和 分组查询注意力Grouped-Query AttentionGQA 中引入的改进。推测解码Speculative decoding使用一个小模型生成草稿然后由更大的模型进行审查以加速文本生成。6. 部署 LLM在大规模部署 LLM 是一项工程壮举可能需要多个 GPU 集群。在其他场景下演示和本地应用可以用更低的复杂度实现。本地部署隐私是开源 LLM 相较于私有 LLM 的一个重要优势。本地 LLM 服务器如 LM Studio、Ollama、oobabooga、kobold.cpp 等利用这一优势为本地应用提供支持。演示部署像 Gradio 和 Streamlit 这样的框架有助于原型设计和分享演示。你也可以轻松地在线托管这些应用例如使用 Hugging Face Spaces。服务器部署大规模部署 LLM 需要云服务参见 SkyPilot或本地基础设施通常利用优化的文本生成框架如 TGI、vLLM 等。边缘部署在受限环境中像 MLC LLM 和 mnn-llm 这样的高性能框架可以将 LLM 部署在网页浏览器、Android 和 iOS 上。7. 安全性 LLM除了传统的软件安全问题外LLM 由于其训练和提示方式还存在独特的弱点。提示攻击与提示工程相关的不同技术包括提示注入附加指令以劫持模型的回答、数据/提示泄露检索其原始数据/提示和越狱构造提示以绕过安全功能。后门攻击向量可以针对训练数据本身例如通过毒化训练数据例如添加虚假信息或创建后门秘密触发器以在推理过程中改变模型的行为。防御措施保护 LLM 应用的最佳方法是针对这些漏洞进行测试例如使用红队和检查工具如 garak并在生产环境中监控它们使用像 langfuse 这样的框架。最近两年大模型发展很迅速在理论研究方面得到很大的拓展基础模型的能力也取得重大突破大模型现在正在积极探索落地的方向如果与各行各业结合起来是未来落地的一个重大研究方向大模型应用工程师年包50w属于中等水平如果想要入门大模型那现在正是最佳时机2025年Agent的元年2026年将会百花齐放相应的应用将覆盖文本视频语音图像等全模态如果你对AI大模型入门感兴趣那么你需要的话可以点击这里大模型重磅福利入门进阶全套104G学习资源包免费分享扫描下方csdn官方合作二维码获取哦给大家推荐一个大模型应用学习路线这个学习路线的具体内容如下第一节提示词工程提示词是用于与AI模型沟通交流的这一部分主要介绍基本概念和相应的实践高级的提示词工程来实现模型最佳效果以现实案例为基础进行案例讲解在企业中除了微调之外最喜欢的就是用提示词工程技术来实现模型性能的提升第二节检索增强生成RAG可能大家经常会看见RAG这个名词这个就是将向量数据库与大模型结合的技术通过外部知识来增强改进提升大模型的回答结果这一部分主要介绍RAG架构与组件从零开始搭建RAG系统生成部署RAG性能优化等第三节微调预训练之后的模型想要在具体任务上进行适配那就需要通过微调来提升模型的性能能满足定制化的需求这一部分主要介绍微调的基础模型适配技术最佳实践的案例以及资源优化等内容第四节模型部署想要把预训练或者微调之后的模型应用于生产实践那就需要部署模型部署分为云端部署和本地部署部署的过程中需要考虑硬件支持服务器性能以及对性能进行优化使用过程中的监控维护等第五节人工智能系统和项目这一部分主要介绍自主人工智能系统包括代理框架决策框架多智能体系统以及实际应用然后通过实践项目应用前面学习到的知识包括端到端的实现行业相关情景等学完上面的大模型应用技术就可以去做一些开源的项目大模型领域现在非常注重项目的落地后续可以学习一些Agent框架等内容上面的资料做了一些整理有需要的同学可以下方添加二维码获取仅供学习使用