【AI大模型微调】第 1 章 大模型概述
第 1 章 大模型概述1.1 大模型基本原理大语言模型本质上是一种基于海量文本训练得到的文本生成模型可以看作是一个规模非常庞大包含了非常多参数的函数。对于普通函数而言是给定一个输入经过固定规则计算后得到一个输出。大模型也是类似的过程我们输入一段文本模型经过内部计算后输出接下来最可能出现的文本内容。具体来说我们输入给大模型prompt之后其内部会将这些prompt按照一定的规则切割成一个一个的token这里的 token 可以是一个字、一个词也可以是词的一部分。经过内部运算大模型输出下一个token的概率分布并根据该概率分布采样得到下一个token。模型并不是一次性生成完整答案而是不断重复“预测下一个 token”的过程逐步生成句子、段落乃至完整对话。通过在大规模语料上进行这种训练模型能够学习到语言的语法结构、表达方式、知识关联以及一定的推理模式。因此虽然它的底层训练目标看起来只是“预测下一个 token”但当模型规模、训练数据和训练方法达到一定程度后模型就能够表现出问答、摘要、翻译、信息抽取、代码生成等多种能力。1.2 大模型结构当前主流的大语言模型大多基于 Transformer 架构构建其中很多模型采用 Decoder-only 结构例如 GPT、DeepSeek、Qwen 等。对于本课程来说不需要深入掌握 Transformer 的数学细节只需要理解它是当前大模型最常用的基础结构能够帮助模型根据上下文生成后续文本。从整体上看一个典型的大语言模型可以简单分为输入层、Transformer Block 堆叠层和输出层三个部分。这些层内部包含大量矩阵这些矩阵中的数值就是模型的参数。1.2.1 输入层输入层负责把用户输入的文本转换成模型可以计算的数字表示。模型不能直接理解文字因此会先把文本切分成一个个 token再把每个 token 和模型的参数经过矩阵运算转换成表示token初始语义信息的向量。输入层的作用可以简单理解为把“文字”变成“模型能处理的数字”其也是为后续 Transformer Block 提供初始的语义信息。1.2.2 Transformer BlockTransformer Block 是大模型中最核心的计算部分通常会堆叠很多层。每一层内部主要包含注意力机制和前馈神经网络。可以简单理解为token 进入 Transformer Block 后会不断和前文中的 token 建立联系模型会根据上下文更新它的表示使这个表示不仅包含 token 本身的信息也包含它在当前句子或对话中的语义关系。1.2.3 输出层经过多层 Transformer Block 计算后每个 token 都会得到一个新的向量表示。对于文本生成任务来说模型通常会使用最后一个位置对应的向量经过输出层的计算得到下一个 token 在整个词表上的概率分布。例如假设经过 Transformer Block 计算后最后一个 token 对应的向量是一个 128 维向量而模型的词表大小是 50000。那么输出层会把这个 128 维向量转换成一个 50000 维向量其中每一个位置都对应词表中的一个 token。这个 50000 维向量当中任意一个维度的值就表示下一个token是取当前索引位置处的token的概率。模型在生成文本时会根据这个概率分布选择或采样出下一个 token然后把新生成的 token 加到原来的输入后面继续预测下一个 token。这个过程不断重复就形成了完整的句子或回答。1.3 大模型发展历程自 2018 年 GPT-1 发布以来到如今的GPT-5.xGPT 系列的发展推动了现代大语言模型训练范式的逐步成熟形成了以 “预训练—监督微调—对齐” 为核心的三阶段开发框架预训练Pre-training基于超大规模无标注语料进行自监督学习使模型获得通用语言建模能力、广泛的世界知识以及基本的推理与泛化能力。监督微调Supervised Fine-tuning, SFT利用人工构建的指令—响应示例或高质量对话数据对模型进行进一步训练使其能够更好地理解指令并输出更加规范、稳定且贴合任务需求的内容。对齐Alignment通过引入人类偏好、行为规范、安全约束与价值观等因素使模型的行为更符合用户期望。对齐方式包括RLHF奖励模型 强化学习以及DPO、ORPO、KTO 等无需强化学习的偏好优化方法。对齐阶段的目标是让模型在真实应用场景中表现得更有帮助、更安全、更可靠。这一“三阶段”开发范式在实践中得到广泛验证已成为业界主流的大语言模型训练框架。

相关新闻

题解:洛谷 B4356 [GESP202506 二级] 数三角形

题解:洛谷 B4356 [GESP202506 二级] 数三角形

本文分享的必刷题目是从蓝桥云课、洛谷、AcWing等知名刷题平台精心挑选而来,并结合各平台提供的算法标签和难度等级进行了系统分类。题目涵盖了从基础到进阶的多种算法和数据结构,旨在为不同阶段的编程学习者提供一条清晰、平稳的学习提升路径。 欢迎大…

2026/11/20 5:18:17 阅读更多 →
为什么92.7%的ChatGPT食谱推荐存在营养失衡?——基于NCCN/中国DRIs标准的定制化算法漏洞深度审计

为什么92.7%的ChatGPT食谱推荐存在营养失衡?——基于NCCN/中国DRIs标准的定制化算法漏洞深度审计

更多请点击: https://intelliparadigm.com 第一章:为什么92.7%的ChatGPT食谱推荐存在营养失衡?——基于NCCN/中国DRIs标准的定制化算法漏洞深度审计 当前主流大语言模型在生成膳食建议时,普遍缺失对临床营养学约束的结构化建模能…

2026/11/20 5:18:17 阅读更多 →
FAKRA 连接器自动化设备工作原理与核心技术解析

FAKRA 连接器自动化设备工作原理与核心技术解析

FAKRA 连接器自动化设备工作原理与核心技术解析 车规级射频连接器装配选型指南 在车载射频通信领域,FAKRA 连接器是天线、毫米波雷达、车联网模块的核心连接部件,特性阻抗严格控制在 50Ω,对内导体同轴度、屏蔽层接触完整性有极高要求。人工装…

2026/11/19 10:12:09 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/20 23:27:28 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/20 23:27:28 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/20 23:27:28 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/20 21:55:32 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/20 23:27:28 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/20 22:59:12 阅读更多 →

日新闻

周新闻

月新闻