1. 基础
1.1 如何权衡模型的复杂度和性能？
├── a. 模型架构选择
│ ├── 简化架构
│ │ └── 选择较小的网络层数和宽度，降低复杂度；
│ │ 可使用高性能基础模型如 Transformers 作为起点，根据需求缩放模型。
│ └── 剪枝与量化
│ └── 通过剪枝去除不重要参数、量化降低精度，在不显著影响性能的前提下降低复杂度。
│
├── b. 正则化技术
│ └── 使用 L1/L2 正则化、Dropout、数据增强等手段控制过拟合，
│ 在模型复杂度较低时仍保持良好泛化能力。
│
├── c. 超参数优化
│ └── 使用网格搜索、随机搜索等方法优化学习率、批量大小、优化器等超参数，
│ 以提升训练效果和模型性能。
│
├── d. 模型蒸馏
│ └── 利用大模型训练出小模型，让小模型学习大模型的知识，
│ 实现“以小博大”的性能提升。
│
└── e. 数据集规模与质量
└── 高质量的数据和足够的数据量可以提高模型表现，
进而允许使用更简单的模型结构来达到较高性能。
1.2 大模型的 Scaling Law（扩展法则）
├── 定义：
│ └── 一种基于实验总结的经验规律，
│ 用于指导模型规模、数据量和计算量的合理配置。
│
├── 作用：
│ └── 在有限计算资源下，
│ 找到性能最优的模型规模与数据量组合。
│
├── 关键内容：
│ ├── 1. 模型规模与性能
│ │ └── 随着参数数量增加，模型性能通常提升，
│ │ 更大的模型能学习更复杂的数据特征。
│ │
│ ├── 2. 数据量与性能
│ │ └── 提供更多训练数据通常能提升模型性能，
│ │ 对小模型来说影响尤为显著。
│ │
│ ├── 3. 计算资源与性能
│ │ └── 投入更多计算资源（计算能力、训练时间），
│ │ 通常带来更好的模型性能。
│ │
│ └── 4. 表现的规律性
│ └── 性能提升常呈现幂律关系：
│ 如损失随参数数量、数据量呈幂函数下降，
│ 而非线性关系。
1.3 简述大模型，与传统模型的区别
├── 简介
│ ├── Qwen（大模型）：
│ │ └── 追求通用性与生成能力，依赖海量数据和算力，适用于复杂开放任务
│ └── BERT（小模型）：
│ └── 面向特定任务高效微调，资源友好，擅长结构化理解任务
│
├── 与传统模型的主要区别
│ ├── 1. 模型规模：
│ │ └── 大模型参数量远超传统模型，结构更复杂
│ ├── 2. 数据需求：
│ │ └── 大模型需要大量训练数据以避免过拟合，传统模型数据需求小
│ ├── 3. 表现能力：
│ │ └── 大模型具有更强的泛化与表现力，适合复杂任务
│ ├── 4. 计算资源：
│ │ └── 大模型需大量计算资源与训练时间，传统模型计算成本低
│ └── 5. 迁移学习：
│ └── 大模型可高效微调迁移，小模型通常需为任务重新训练
│
├── 1. 背景维度对比
│ ├── 提出时间：Qwen (2023) vs BERT (2018)
│ ├── 背景目标：
│ │ └── Qwen：生成、推理、多模态等通用任务
│ │ └── BERT：自然语言理解任务（分类、NER等）
│ └── 技术趋势：
│ └── Qwen：参数爆炸、追求零样本能力
│ └── BERT：预训练 + 微调范式，Transformer 早期应用
│
├── 2. 创新点对比
│ ├── 核心技术：
│ │ └── Qwen：千亿参数、多模态输入
│ │ └── BERT：双向 Transformer，MLM
│ ├── 训练方法：
│ │ └── Qwen：稀疏注意力、混合精度、分布式优化
│ │ └── BERT：掩码语言模型（MLM）+ 下一句预测（NSP）
│ └── 应用扩展：
│ └── Qwen：零/少样本、多轮对话、代码生成
│ └── BERT：长依赖建模、下游微调
│
├── 3. 训练数据对比
│ ├── 数据规模：
│ │ └── Qwen：数十 TB（多语言、多模态）
│ │ └── BERT：数十 GB（英文文本为主）
│ ├── 数据多样性：
│ │ └── Qwen：文本 + 结构化数据
│ │ └── BERT：英文文本，单语言
│ └── 数据清洗：
│ └── Qwen：复杂质量过滤、多语言对齐
│ └── BERT：规则式清洗
│
├── 4. 模型结构对比
│ ├── 参数量：
│ │ └── Qwen：千亿级（如 Qwen-72B）
│ │ └── BERT：亿级（BERT-base: 110M）
│ ├── 层数：
│ │ └── Qwen：80+ 层
│ │ └── BERT：12 层
│ ├── 注意力机制：
│ │ └── Qwen：稀疏注意力
│ │ └── BERT：标准多头注意力（12头）
│ └── 结构设计：
│ └── Qwen：Decoder-Only（自回归）
│ └── BERT：Encoder-Only（双向上下文）
│
├── 5. 训练方法对比
│ ├── 预训练方式：
│ │ └── Qwen：大规模分布式（千卡）
│ │ └── BERT：单机多卡（TPU/GPU）
│ ├── 训练目标：
│ │ └── Qwen：自回归预测下一个词
│ │ └── BERT：掩码语言模型（MLM）+ 下一句预测（NSP）
│ ├── 微调方式：
│ │ └── Qwen：无需微调，通过 Prompt 使用
│ │ └── BERT：必须微调适配任务
│ └── 资源消耗：
│ └── Qwen：百万美元级算力
│ └── BERT：千美元级算力
│
├── 6. 优缺点对比
│ ├── Qwen 优点：
│ │ └── 通用性强、零样本、多任务支持
│ ├── Qwen 缺点：
│ │ └── 成本高、幻觉风险、可控性差
│ ├── BERT 优点：
│ │ └── 高效轻量、易部署、资源友好
│ └── BERT 缺点：
│ └── 生成能力弱、任务局限、泛化差
│
└── 7. 应用场景对比
├── Qwen：
│ └── 场景：智能对话、代码生成、创作辅助
│ └── 领域：问答系统、教育、多模态交互
│ └── 适用对象：大型企业、云服务提供商
└── BERT：
└── 场景：分类、NER、语义相似度计算
└── 领域：搜索、推荐、金融风控
└── 适用对象：中小企业、科研用户
1.4 实际业务场景：使用 LLM 还是小模型？
├── 一、总体判断思路
│ └── 模型选择需综合考虑：
│ ├── 业务复杂度
│ ├── 数据规模
│ ├── 算力与预算
│ ├── 技术团队能力
│ └── 系统可扩展性
│
├── 二、大模型 vs 小模型对比
│
│ ├── 1. 大模型（如 Qwen）优势：
│ │ ├── 强泛化能力：处理复杂用户行为、非线性关系
│ │ ├── 并行处理能力强：适用于大规模、实时请求
│ │ ├── 深度特征学习：自动提取高阶特征，无需人工特工
│ │ └── 持续在线学习：实时优化，动态适应用户行为
│ │
│ ├── 2. 大模型劣势：
│ │ ├── 高资源消耗：对算力和存储需求高
│ │ ├── 架构复杂：运维成本高，需专业团队
│ │ ├── 可解释性差：为“黑盒”，难以输出推荐依据
│ │ └── 有过拟合风险：小数据场景下表现不稳
│ │
│ ├── 3. 多个小模型优势：
│ │ ├── 高资源效率：可在本地、边缘设备部署
│ │ ├── 灵活性强：支持按人群/场景定制化建模
│ │ ├── 易维护：可单独更新、替换，迭代快
│ │ ├── 高可解释性：推荐逻辑清晰、透明
│ │ └── 容错性强：部分模型出错不会影响整体系统
│ │
│ └── 4. 多个小模型劣势：
│ ├── 分布式协调成本高：统一管理和部署复杂
│ ├── 表达能力有限：处理复杂关系效果不如大模型
│ ├── 模型一致性挑战：协同逻辑难统一
│ └── 多模型训练耗时大：需分别调优与测试
│
├── 三、业务场景模型选择建议
│
│ ├── 1. 适合使用大模型的场景：
│ │ ├── 推荐逻辑复杂：如涉及多行为融合、高阶特征
│ │ ├── 实时大规模数据处理：如亿级用户、海量内容
│ │ └── 深度个性化推荐：如长文本生成、对话推荐
│ │
│ ├── 2. 适合使用多个小模型的场景：
│ │ ├── 细粒度差异化推荐：如不同地域、用户群、品类
│ │ ├── 资源受限部署：如边缘端、本地服务器
│ │ ├── 快速试错与更新：如敏捷产品迭代
│ │ └── 需高透明度：如政策监管、金融、医疗
│ │
│ └── 3. 混合部署策略：
│ ├── 大模型用于全局建模与特征抽取
│ ├── 小模型负责具体业务模块细化推荐
│ └── 兼顾性能 + 灵活性，是常见最佳实践
│
├── 四、模型选择的指导因素
│
│ ├── 1. 业务需求导向：
│ │ ├── 若追求高精度、高复杂度 → 大模型优先
│ │ └── 若需求灵活、响应迅速、可解释性强 → 小模型优先
│
│ ├── 2. 算力与预算约束：
│ │ ├── 有 GPU 集群/预算充足 → 支持大模型部署
│ │ └── 算力有限 → 多小模型更划算
│
│ ├── 3. 团队技术能力：
│ │ ├── 有大模型训练和运维经验 → 可支持大模型上线
│ │ └── 技术能力有限 → 小模型可快速落地
│
│ ├── 4. 系统扩展性与灵活性：
│ │ ├── 需快速扩展、组件可替换 → 小模型易模块化部署
│ │ └── 统一架构管理，追求极致性能 → 可集中大模型部署
│
│ ├── 5. 可解释性要求：
│ │ └── 有合规要求或需用户信任的业务 → 小模型占优
│
│ └── 6. 模型维护与更新频率：
│ ├── 高频迭代业务 → 小模型维护效率高
│ └── 低频更新场景 → 大模型稳定性更强
1.5 “零样本”和“少样本”学习
├── 一、基本定义
│
│ ├── 零样本学习（Zero-Shot Learning）
│ │ └── 模型在训练中从未见过目标任务/类别，也能正确识别与推理。
│ │
│ └── 少样本学习（Few-Shot Learning）
│ └── 模型仅在极少量示例支持下完成学习与推理任务。
├── 二、零样本学习详解
│
│ ├── 核心能力
│ │ ├── 强泛化能力
│ │ ├── 上下文理解能力
│ │ └── 概念关系推理能力
│ │
│ ├── 示例
│ │ └── ChatGPT 未接受过某类问题训练，但仍能回答新技术/新事件问题。
│ │
│ └── 实现基础
│ └── 基于大规模预训练模型 + 广泛知识学习 + 语言模式抽象能力
├── 三、少样本学习详解
│
│ ├── 场景特点
│ │ └── 每个类别仅提供少量样本，模型需快速学习并进行预测。
│ │
│ ├── 示例
│ │ └── 用户在提示中给出 2~3 个例子，模型学会如何生成对应输出。
│ │
│ ├── 主要技术路径
│ │ ├── 1. 数据增强（Data Augmentation）
│ │ │ └── 合成或变换样本，扩充训练数据。
│ │ ├── 2. 迁移学习（Transfer Learning）
│ │ │ └── 使用预训练模型参数，快速适配新任务。
│ │ └── 3. 原型网络（Prototypical Networks）
│ │ └── 基于类别原型计算样本距离进行分类。
│ │
│ └── 应用说明
│ └── ChatGPT 可通过少量对话示例（Prompt）进行任务适配和执行。
├── 四、对比总结
│
│ ├── 零样本学习：
│ │ └── 不依赖任何任务特定数据，完全靠已有知识推理。
│ └── 少样本学习：
│ └── 依赖极少量任务样本，需快速抽象出规律。
└── 五、应用价值（在 LLM 中的体现）
├── 提高模型灵活性与泛化能力
├── 降低标注数据依赖
├── 支持快速任务切换与指令理解
└── 支持Prompt Engineering、类任务式对话设计
1.6 大模型的涌现能力（Emergent Abilities）
├── 一、定义
│ └── 指大型预训练模型在特定输入下，表现出超出其原始训练目标或设计预期的复杂行为。
│ └── 这些能力通常是自发出现的，并非显式编码或人为指定。
├── 二、关键特性与表现
│
│ ├── a. 规模依赖性
│ │ └── 随着模型参数量和训练数据规模的增加，模型能力提升；
│ │ 在规模达到某一“临界点”后，开始展现新能力。
│
│ ├── b. 复杂任务处理
│ │ └── 能处理逻辑推理、编程、复杂对话等未直接训练过的任务；
│ │ 如 LLM 能生成代码、写论文、推理结论等。
│
│ ├── c. 少样本学习能力
│ │ └── 在只有少量示例的前提下，快速学习新任务；
│ │ 通过上下文和提示理解新任务而无需重训练。
│
│ ├── d. 行为多样性与适应性
│ │ └── 相同模型在不同任务/语境下表现出不同能力；
│ │ 能根据用户上下文动态调整行为。
│
│ └── e. 研究与应用价值
│ ├── 成为 AI 研究的热点方向；
│ ├── 被广泛用于自然语言处理、代码生成、多模态交互等；
│ └── 挖掘与引导“潜在能力”成为关键研究目标。
1.7 大模型迁移学习（Transfer Learning）
├── 一、定义
│ └── 将源领域中学到的知识迁移到目标领域中的技术；
│ 利用已有模型参数，减少目标任务对大数据和训练时间的依赖。
├── 二、应用场景
│ └── 数据不足或训练成本高时使用；
│ 通过已有模型进行微调，提高效率与性能。
├── 三、大模型中的迁移学习范式
│
│ ├── 1. 预训练（Pre-training）
│ │ ├── 在大规模通用语料（如互联网文本）上训练；
│ │ └── 获得具备广泛语言理解能力的通用模型。
│ │
│ ├── 2. 微调（Fine-tuning）
│ │ ├── 在特定任务的小数据集上进一步训练；
│ │ └── 使预训练模型适配具体任务。
│ │
│ └── 说明：
│ ├── 预训练需海量数据和高昂成本；
│ ├── 通常不从零训练；
│ └── 使用公开预训练模型 + 微调 → 成为主流做法。
├── 四、优点总结
│
│ ├── 1. 节省计算资源
│ │ └── 避免从头训练，节约训练时间与算力成本。
│
│ ├── 2. 降低数据需求
│ │ └── 即使目标任务样本少，也能取得好效果。
│
│ └── 3. 适应性强
│ └── 快速适配新任务、新领域，灵活性好。
1.8 文本输入到大模型的全过程（以 Transformer 架构文本摘要为例）
文本输入全过程
├── 1. 输入文本预处理
│ ├── 分词：将长句拆分为词/子词/Token
│ └── 清洗：去除标点、停用词等无效信息
│
├── 2. 向量化处理
│ └── 使用词嵌入模型（如 Word2Vec、BERT Embedding）
│ 将每个词/Token 转换为对应的向量表示
│
├── 3. 模型输入层
│ └── 将序列化向量输入至 Transformer 的第 1 层
│ 启动编码过程
│
├── 4. 模型主体处理（Transformer 编码器/解码器）
│ ├── 自注意力机制：
│ │ └── 学习词与词之间的依赖关系（支持长距离建模）
│ ├── 前馈神经网络：
│ │ └── 提供非线性变换能力
│ └── 残差连接 & LayerNorm：
│ └── 防止梯度消失，稳定训练
│
├── 5. 输出层处理
│ └── 输出潜在表示 → Softmax → 概率分布
│ （预测下一个最可能的词）
│
├── 6. 文本生成与后处理
│ ├── 词生成：
│ │ └── 根据概率选择 Token（如贪心/采样/Beam Search）
│ └── 后处理：
│ ├── 拼接句子、消除冗余
│ └── 语义优化，确保摘要自然流畅
│
└── 7. 性能监控与优化
├── 硬件监控：
│ └── 实时监测 GPU / CPU / 显存 使用率
└── 模型优化：
└── 微调参数、改进推理速度、提升摘要质量
2. Encoder-only & Decoder-only & Encoder-Decoder
2.1 架构类型总览
├── Encoder-Only
│ ├── 用途：理解任务（文本分类、问答、信息抽取）
│ ├── 注意力方向：双向
│ ├── 代表模型：BERT、RoBERTa
│ ├── 训练目标：MLM（掩码语言建模）、NSP
│ ├── 优点：语义理解强
│ └── 缺点：不适合生成任务
├── Decoder-Only
│ ├── 用途：生成任务（文本生成、对话、续写）
│ ├── 注意力方向：单向（因果掩码）
│ ├── 代表模型：GPT-3、LLaMA、PaLM
│ ├── 训练目标：因果语言建模
│ ├── 优点：生成流畅，Few-shot能力强
│ └── 缺点：上下文单向，可能偏离主题
└── Encoder-Decoder
├── 用途：输入-输出映射任务（翻译、摘要）
├── 注意力方向：编码器双向，解码器单向
├── 代表模型：T5、BART、原始Transformer
├── 训练目标：去噪建模、序列转换
├── 优点：处理输入/输出异构结构
└── 缺点：资源消耗大，训练复杂
───────────────────────────────
2.2 Encoder-Only 架构详解
├── 特点：仅使用编码器，对输入文本进行上下文建模
├── 典型模型：
│ ├── BERT：首个双向预训练模型，通过掩码语言建模（MLM）学习上下文表征。
│ ├── RoBERTa：BERT 的优化版，更大数据量、更长训练步长。
│ └── ALBERT：参数共享减少计算量，适合资源受限场景。
└── 应用场景：
├── 文本分类:根据输⼊的⽂本进⾏分类（如情感分析、新闻分类）。
├── 抽取式问答:通过输⼊问题和上下⽂，模型从上下⽂中抽取出准确的答案。
└── 命名实体识别（NER）:标注⽂本中的特定实体（如⼈名、地名等）。
2.3 Decoder-Only 架构详解
├── 特点：仅使用解码器，自回归式地逐词生成文本
├── 典型模型：
│ ├── GPT-3 / GPT-4：通过海量数据预训练，Few-Shot 学习能力强
│ ├── PaLM：谷歌大规模模型，强调推理和代码生成能力。
│ └── LLaMA：Meta 开源模型，参数量高效。
└── 应用场景：
├── 文本生成:根据提⽰⽣成⼀段连贯的⽂本（如对话⽣成、⾃动写作）。
├── 对话系统:逐步⽣成⾃然语⾔响应，回答⽤户提问。
└── 翻译（逐词生成类）:逐词⽣成⽬标语⾔的翻译结果。
2.4 Encoder-Decoder 架构详解
├── 特点：编码器处理输入 → 解码器生成输出
├── 典型模型：
│ ├── T5：将任务统一为文本到文本格式，适用翻译、摘要等。
│ ├── BART：结合双向编码器与自回归解码器，擅长文本重构任务。
│ └── Transformer：首个完全基于注意力的机器翻译模型。
└── 应用场景：
├── 机器翻译:将⼀个句⼦从源语⾔翻译成⽬标语⾔，编码器负责理解源语⾔句⼦，解码器负责⽣成⽬标语⾔句⼦。
├── 文本摘要:编码器处理⻓⽂本，解码器⽣成简短摘要。
└── 条件生成任务（如自动问答）:如⽂本填空或根据输⼊⽣成对应的完整⽂本。
───────────────────────────────
2.5 主要区别总结
├── Encoder-Only：语义理解任务
├── Decoder-Only：文本生成任务
└── Encoder-Decoder：输入映射输出任务
2.6 为什么大模型偏好 Decoder-Only？
├── 1. 架构更简单：省去双结构，只聚焦生成
├── 2. 自回归机制：适合逐步生成文本
├── 3. 输入灵活性：适配任意 prompt，条件控制自由
├── 4. 大规模预训练：学习丰富语言知识，可迁移微调
└── 5. 长文本处理佳：可保持上下文连贯性
3.LLM模型
3.1 Gemma-3 模型
Gemma-3（第三代谷歌开源大模型）
├── 一、背景简介
│ ├── 来自谷歌，发布于“巴黎开发者日”
│ ├── 是 Gemma 系列第三代，支持图文多模态（文字+图像）
│ └── 最重要亮点：1块GPU/TPU 就能运行（对普通开发者更友好）
├── 二、核心参数规格（共4个版本）
│ ├── 1B：轻量模型，适合手机、小设备
│ ├── 4B：适合一般任务，轻量高效
│ ├── 12B：能力较强，支持复杂任务
│ └── 27B：旗舰模型，精度最强，能和Llama、GPT对比
├── 三、关键创新点（重点）
│ ├── ✅ 单设备运行强：跑得快，还省资源
│ ├── ✅ 多语言支持：支持140种语言
│ ├── ✅ 支持图文视频理解：不仅能读文字，还能“看图”
│ ├── ✅ 超长记忆力：一次处理 128K token 的超长文本（上下文窗口大）
│ ├── ✅ 函数调用支持：适合做 AI 助手和自动化
│ └── ✅ 量化优化：官方提供小模型版本，压缩后仍保持高精度
├── 四、训练数据规模（模型越大，训练数据越多）
│ ├── 1B → 使用 2 万亿 token 训练
│ ├── 4B → 使用 4T token
│ ├── 12B → 使用 12T token
│ └── 27B → 使用 14T token（T = 万亿）
├── 五、模型结构说明
│
│ ├── 1. 主体架构（语言模型 LLM）
│ │ ├── 解码器 Transformer 架构（同 GPT 类）
│ │ ├── 技术点：
│ │ │ ├── GQA（分组查询注意力）→ 更高效的注意力机制
│ │ │ ├── RMSNorm 归一化（提升稳定性）
│ │ │ ├── 局部+全局注意力交替排列（5层局部+1层全局）
│ │ │ ├── RoPE 频率提高到 1M（更好处理长文本）
│ │ │ └── 位置插值技术 → 保证对长文本理解效果
│
│ └── 2. 多模态部分（视觉编码器）
│ ├── 使用 SigLIP（一个视觉Transformer）
│ ├── 支持图片 896x896 像素输入
│ └── 能处理图像识别、图文理解任务（如识别图中元素）
├── 六、训练方法（模型如何“学会”的）
│ ├── Pre-train + Post-train 两阶段训练
│ ├── 核心训练技巧：
│ │ ├── 模型蒸馏：学“大模型”的知识
│ │ ├── 强化学习调优（提升理解、遵循指令能力）
│ │ └── 三种 RL 技术：
│ │ ├── RLHF：基于人类反馈训练
│ │ ├── RLMF：增强数学能力
│ │ └── RLEF：增强编程能力
├── 七、评估效果（表现好不好）
│ ├── 测试平台：Chatbot Arena（模型排行榜）
│ ├── 结果：
│ │ ├── Gemma-3 27B 超过 LLaMA-3-70B、DeepSeek-V3 等主流模型
│ │ └── 在数学、代码、对话能力等任务上均表现优秀
│ └── 特别说明：27B 模型只用单 GPU 就能跑 → 非常实用
3.2 DeepSeek 系列
├── 3.2.1 DeepSeek-V3（超大模型、智能强）
│
│ ├── 📌 简介
│ │ ├── 671B 超大参数量 → 意味着“超级聪明”
│ │ ├── 每个 token 激活 37B 参数 → MoE 架构（部分专家工作）
│ │ └── 属于最强开源大模型之一（性能强但运行高效）
│
│ ├── 📌 核心技术亮点
│ │ ├── ① MLA：多头潜在注意力（Multi-head Latent Attention）
│ │ │ └── 优化注意力机制，减少显存占用但保持效果
│ │ ├── ② DeepSeekMoE 架构（混合专家）
│ │ │ └── 每次预测只用少数专家 → 省算力
│ │ ├── ③ 无辅助损失的负载均衡（Free Load Balance）
│ │ │ └── 自动平衡每个专家被使用频率
│ │ └── ④ 多 Token 预测（Multi-token Prediction, MTP）
│ │ └── 一次预测多个词 → 提高推理速度
│
│ ├── 🔧 MLA 原理（理解优化注意力）
│ │ ├── 1. 把输入压缩为潜在向量（减少KV缓存）
│ │ ├── 2. 用矩阵投影生成压缩版 key/value
│ │ ├── 3. 使用 RoPE 做位置编码
│ │ └── 4. softmax 权重生成注意力输出
│ │ ✅ 优点：显存占用少，速度快，性能保持
│
│ ├── 🔧 DeepSeekMoE 原理（专家网络）
│ │ ├── 分为共享专家 + 路由专家（让不同专家负责不同内容）
│ │ ├── 使用门控机制激活最合适的专家
│ │ └── 自动平衡：通过调整偏置项，保证专家不被“偏心”使用
│
│ └── 🔧 MTP 原理（一次预测多个词）
│ ├── 每个位置不只预测一个词，而是多个词
│ ├── 提前生成多个词向量（加快推理）
│ └── 每个模块都有共享层 + Transformer + 投影层
├── 3.2.2 DeepSeek-R1 INT8（轻量部署版）
│
│ ├── 📌 背景
│ │ ├── 原版使用 FP8 精度 → 只支持高端 GPU（如 Hopper 架构）
│ │ ├── INT8 精度 → 主流 GPU 也能跑（如 A100）
│ │ └── INT8 推理快、显存少、部署更容易
│
│ ├── 📌 精度基本无损（测试准确率保持住）
│ │ ├── GSM8K：数学任务
│ │ └── MMLU：多领域知识问答
│
│ ├── 🔧 INT8 量化原理
│ │ ├── 将 FP16 高精度 → 转为 INT8 低精度
│ │ ├── 通过缩放 + 反缩放，尽量减少信息丢失
│ │ └── 优点：占用空间少、计算快
│
│ ├── ✅ 两种量化方式（实际应用）
│ │
│ │ ├── 1️⃣ 分块量化（Block-wise Quant）
│ │ │ ├── 把矩阵按小块切 → 精度高
│ │ │ └── 推理快 + 精度好（推荐）
│ │
│ │ └── 2️⃣ 通道量化（Channel-wise Quant）
│ │ ├── 把每列为一个通道
│ │ └── 极致加速，但精度略低
│
│ ├── 🧪 精度评估结果
│ │ ├── INT8 分块量化 ≈ 原始精度
│ │ └── 通道量化 → 略有波动，但仍可用
│
│ └── 🚀 吞吐测试（推理速度对比）
│ ├── 在 A100 上测试：
│ │ ├── BF16 原始模型 → 基线速度
│ │ ├── INT8（Block） → 提升 33%
│ │ └── INT8（Channel）→ 提升 50%
│ └── ✅ 减少显存，提升速度，适合大规模部署
└── ✅ 小白总结
👉 DeepSeek-V3：超大聪明模型，注意力优化，专家机制聪明分工，生成快。
👉 DeepSeek-R1 INT8：轻量化版本，适合部署在普通显卡上，速度快，精度也很好。
3.3 Baichuan 系列大模型
├── 3.3.1 Baichuan 2（两款主力型号）
│ ├── 版本：
│ │ ├── Baichuan 2-7B（70亿参数）
│ │ └── Baichuan 2-13B（130亿参数）
│ └── 特点：
│ ├── 使用 2.6 万亿 tokens 训练，远超 Baichuan 1
│ └── 在多个基准上性能提升高达 30%
├── 一、训练数据（🔍 基础知识来源）
│ ├── 数据来源：
│ │ ├── 40% 互联网网页
│ │ ├── 30% 图书
│ │ ├── 20% 学术论文
│ │ ├── 5% 代码
│ │ └── 5% 新闻、博客等
│ └── 数据处理：
│ ├── 去重技术：用 LSH（近似哈希）对段落/句子去重
│ └── 清洗 + 打分 → 只留下高质量内容参与训练
├── 二、模型结构（🏗️ 怎么搭的）
│ ├── 1️⃣ 位置编码
│ │ ├── 7B 模型：RoPE（旋转位置编码）
│ │ └── 13B 模型：ALiBi（线性偏移编码）→ 更强 extrapolation
│ ├── 2️⃣ 激活函数
│ │ └── 使用 SwiGLU（带门控机制的激活）→ 学习能力增强
│ ├── 3️⃣ 注意力机制
│ │ └── xFormers 内存优化注意力 → 适配 RoPE/ALiBi 高效训练
│ └── 4️⃣ Normalization 归一化
│ └── 使用 RMSNorm → 更快更稳，代替传统 LayerNorm
├── 三、训练方法（⚙️ 怎么训的）
│ ├── Optimizer：AdamW（带正则化，收敛快）
│ ├── 学习率策略：
│ │ ├── 预热（Warm-up 2000 步）
│ │ └── 余弦退火策略（Cosine Annealing）
│ ├── 精度：BFloat16 混合精度 → 节省内存 & 稳定训练
│ └── 特殊处理：
│ └── 某些计算用 float32 保精度（例如位置嵌入）
├── 四、对齐训练（🧠 奖励+强化）
│ ├── 🎯 奖励模型（Reward Model, RM）
│ │ ├── 设计了 3 层分类系统（200+种用户需求）
│ │ ├── 自己生成回答 → 自己打分（保持一致性）
│ │ └── RM 表现 ≈ LLaMA 2 级别
│ └── 🧠 PPO 强化学习优化
│ ├── actor（生成）+ critic（评估）+ RM（奖励）+ reference（对比）
│ └── 实现对输出质量的精细调控
├── 五、评估表现（📊 实力对比）
│ ├── 数据集：MMLU、GSM8K、AGIEval、C-Eval 等
│ ├── Baichuan 2-7B：
│ │ └── 普遍超越 Baichuan 1、ChatGLM2、MPT、Falcon 等
│ └── Baichuan 2-13B：
│ └── 多项指标优于 LLaMA 2-13B、Alpaca-Plus、XVerse 等
└── ✅ 总结（小白理解核心）
👉 模型训练数据多、干净、覆盖面广
👉 模型结构灵活（RoPE vs ALiBi），兼顾推理速度和效果
👉 支持 RLHF 微调，让回答更靠谱
👉 评估结果稳居国产开源模型第一梯队
👉 7B/13B 参数量适中 → 性能强且可部署（兼顾效果和资源）
3.4 Qwen 系列（通义千问）模型演进逻辑图
└─ Qwen（初代）【基础通用语言模型】
├─ 语言：中英文为主
├─ 架构：标准Transformer + SwiGLU + RoPE位置编码
├─ 特点：自然语言理解和生成能力强，支持基本对话与问答
└─ 演进 →
├─ Qwen1.5（过渡版本）
│ ├─ 上下文长度扩展到 32K
│ ├─ 引入新位置编码机制：NTK-aware RoPE 插值
│ └─ 主要为 Qwen2 做过渡准备
│
├─ Qwen2（第二代通用模型）
│ ├─ 多语言支持拓展：新增27种语言
│ │ └─ 覆盖：东亚、东南亚、欧洲、中东、南亚主流语言
│ ├─ 上下文能力：最长支持128K上下文（训练和推理均支持）
│ ├─ 关键技术：
│ │ ├─ YARN（Yet Another RoPE Extension）扩展位置编码
│ │ └─ DualChunkAttention：分块注意力计算，大幅降低长文本计算开销
│ └─ 应用场景：文档理解、长对话、多语言问答等
│
└─ Qwen2.5（第三代核心大模型）├─ 模型规模覆盖：0.5B、1.5B、3B、7B、14B、32B、72B├─ 预训练数据：│ ├─ Token总量：18T（大幅提升）│ ├─ 内容分布优化：知识、代码、数学为重点，社交/娱乐等领域降采样│ └─ 质量保障：使用 Qwen2-Instruct 做过滤评分├─ 上下文长度升级：│ ├─ 通用模型：最高128K│ └─ Turbo模型：支持最高1M tokens（YARN + 双块注意力 + ABF扩频）├─ 后训练阶段：│ ├─ SFT：两阶段微调（短32K + 长256K混合）│ ├─ DPO/GRPO：强化偏好与群体对齐│ └─ RLHF：分为离线RL（推理/执行）+ 在线RL（真实/有用/安全等维度）├─ 结构化输出能力：强化对 JSON、表格、长指令结构理解与生成└─ 衍生子模型（专精方向）：│├─ Qwen2.5-Omni【全模态模型】│ ├─ 模态支持：文字 + 图像 + 音频 + 视频（输入）│ ├─ 输出形式：文本 + 实时语音│ ├─ 创新架构：│ │ ├─ Thinker-Talker：理解与表达解耦并并行│ │ └─ TMRoPE：时间对齐多模态位置编码（对齐视听模态）│ ├─ 场景应用：AI 语音助手、多模态对话、虚拟主播、音视频问答│ └─ 特点：边输入边输出、语音稳定自然│├─ Qwen-QwQ【自问自答推理模型】│ ├─ 全称：Qwen-with-Questions│ ├─ 技术突破：│ │ ├─ Structured Self-Questioning（结构化自我提问）│ │ └─ 两阶段强化学习（数学+编程 → 通用能力）│ ├─ Agent能力：动态调整推理路径，支持多轮规划│ └─ 应用场景：数学题推理、复杂指令链、AI agent规划执行│├─ Qwen2.5-Math【数学专用模型】│ ├─ 训练数据：│ │ ├─ 公开数据集 + 合成题（含解析） + 多语言数学题│ │ └─ 加入 CoT（Chain-of-Thought）链式推理格式│ ├─ 推理技术：拒绝采样 + 奖励建模选优路径│ └─ 表现：GSM8K、MATH 等基准任务超越大部分开源模型│├─ Qwen2.5-Code【代码专用模型】│ ├─ 语言覆盖：支持40+编程语言（Python、C++、Java、JS等）│ ├─ 训练流程：│ │ ├─ 精选代码预训练 + 指令微调（Code-Instruct）│ │ └─ 多语言沙箱环境静态/动态测试辅助质量提升│ ├─ 输出评估：单元测试验证+代码执行结果过滤│ └─ 表现：HumanEval、MBPP 等代码基准任务表现优异│└─ Qwen2.5-Turbo / Qwen2.5-Plus【通用强化模型】├─ Qwen2.5-Turbo：│ ├─ 超长上下文处理专家（最高1M tokens）│ ├─ ABF（频率扩展）+ 分阶段长序列训练│ └─ 场景：文档总结、合同分析、历史长对话跟踪└─ Qwen2.5-Plus：├─ 平衡版高精度模型（性能接近GPT-4）├─ 多领域泛化能力更强：数学/推理/翻译等└─ 表现优异于MMLU/GSM8K/HumanEval等任务上
3.5 LLAMA 系列
🔹 3.5.1 LLAMA 3.1 —— 新一代升级
LLAMA 3.1
│
├──▶ 🚀 性能大幅提升
│ → 比以前的模型更聪明，甚至能和GPT-4比一比！
│
├──▶ 🔁 三阶段预训练流程
│ ├─ 初始预训练 → 模型打基础，学习基本语言知识
│ ├─ 长文本预训练 → 学习如何理解和处理长文档
│ └─ 退火训练 → 像“回炉重造”，让模型更加稳健
│
├──▶ 🧹 数据质量优化
│ ├─ 行级去重 → 删掉重复的句子，保证多样性
│ ├─ 多层次过滤 → 清理低质量内容，比如错别字、乱码
│ └─ 引入高质量数据 → 加入优质文章、书籍，补充知识
│
├──▶ 🧠 训练策略升级
│ ├─ 拒绝采样 → 去掉模型胡说八道的回答
│ ├─ SFT（监督微调）→ 模型学习怎么更像“助理”
│ └─ DPO（偏好优化）→ 让模型更懂“人类喜好”
│
├──▶ ⚙️ 网络结构升级
│ ├─ SwiGLU 激活函数 → 增强模型理解复杂问题的能力
│ ├─ RoPE 位置编码 → 让模型知道“词语的顺序”
│ ├─ RMSNorm 归一化 → 保证训练过程稳定、不崩
│ └─ 残差连接 → 避免“越学越糊涂”，保持信息流畅
│
└──▶ 🎯 特定能力增强 → 专门优化代码生成、多语言处理能力，适配不同应用
🔹 3.5.2 LLAMA 系列总览
LLAMA 总体特征
│
├──▶ 🏗 模型架构：
│ → 基于 Transformer 构建的框架，通用而强大
│
├──▶ 📏 参数规模多样化
│ ├─ 7B → 适合中小规模
│ ├─ 13B / 30B → 平衡性能和成本
│ └─ 65B → 需要强大硬件，性能最强
│
├──▶ 📂 开源可用
│ → 任何人都可以下载和使用，适合研究与开发
│
├──▶ 🧠 训练数据丰富
│ → 使用各种各样的文本数据训练，包括网页、书籍、对话等
│
├──▶ 🔁 网络结构优化组件
│ ├─ RoPE（旋转位置编码）→ 更好理解词语顺序
│ ├─ SwiGLU 激活 → 让模型“反应更灵活”
│ ├─ RMSNorm → 稳定模型训练过程
│
├──▶ 🛡 梯度问题应对措施
│ ├─ 残差连接 → 保留关键信息
│ ├─ 归一化 → 防止“计算爆炸”或“没信号”
│ ├─ 合理激活函数 → 避免数学问题导致“脑抽”
│ └─ 自适应优化器（Adam）→ 像“教练”一样灵活调整训练节奏
🔹 3.5.2.1 如何提升 LLAMA 的中文能力（重点！）
LLAMA 中文增强
│
├──▶ ❓ 为什么LLAMA原生中文不好？
│ ├─ 训练数据中文太少 → 英文占比高达99%
│ ├─ 词表不适合中文 → 太多汉字被拆开处理
│ ├─ 没训练中文任务 → 比如古诗、对联、问诊都没练过
│
├──▶ ✅ 解决方案一：继续预训练
│ → 用大批高质量中文数据再“训练一遍”
│ → 比如补上新闻、百科、法律、医疗内容等
│
├──▶ ✅ 解决方案二：扩充词表
│ → 加入常用汉字、中文词语，解决分词问题
│ → 让模型“认得更多中文词”
│
├──▶ ✅ 解决方案三：指令微调
│ → 用中文指令数据（如：写一首诗、解释法规）来训练
│ → 模型会更懂中文使用习惯
│
├──▶ ✅ 解决方案四：混合专家（MoE）
│ → 中文专家专门处理中文，英文专家专门处理英文
│ → 根据输入自动选择最懂的“老师”
│
└──▶ ✅ 解决方案五：人类反馈（RLHF） → 给模型反馈什么回答更符合中国用户的习惯 → 不断优化回答质量，避免“中式英文”
3.6 T5：Text-to-Text Transfer Transformer
↓
核心理念：所有 NLP 任务都转成 “文本 → 文本”
↓
任务示例（统一格式）：
├── 翻译：translate English to German: That is good. → Das ist gut.
├── 分类：cola sentence: The course is jumping well. → Not acceptable
├── 相似度：stsb sentence1: … sentence2: … → 3.8
├── 摘要：summarize: … → 精简内容
↓
🌟 创新点
├── 1. 文本到文本统一框架（每个任务都是一个文本生成）
├── 2. Span Corruption预训练（掩码一整段连续文本）
├── 3. 架构系统探索（测试各种结构选择，找到最优方案）
↓
📚 训练数据
├── 预训练数据：C4英文网页清洗大语料（750GB）
└── 微调数据：GLUE、CNN/DailyMail、WMT等多种任务集
↓
🧠 模型结构（Encoder-Decoder）
├── 相对位置编码（不是用固定位置，而是学出来的位置偏移）
├── LayerNorm放在残差连接前（提高稳定性）
├── FFN使用GELU激活（更平滑更强）
└── 多个模型版本（从小到大）
├── T5-small：60M参数
├── T5-base：220M参数
├── T5-large：770M参数
├── T5-3B：3B参数
↓
⚙️ 训练方法
├── 预训练阶段：
│ ├── 使用 span corruption 掩码训练
│ ├── 优化器：AdaFactor（显存省）
│ └── 大批量长时间训练（1M 步，34B tokens）
└── 微调阶段：
├── 每个任务前面加 prefix（任务前缀提示）
└── 多任务混合训练（翻译、分类、问答等一起训）
↓
✅ 优点
├── 一个模型支持多种任务（统一简洁）
├── 泛化能力强（小样本也能学得不错）
└── 任务前缀让控制更清晰（可解释）
↓
⚠️ 缺点
├── Encoder-Decoder结构导致生成速度慢（不如GPT快）
└── 模型越大越占资源（如T5-3B需要很多显存）
↓
📌 应用场景
├── 文本生成（摘要、翻译、对话）
├── 序列标注（命名实体识别）
├── 问答系统（开放式回答）
└── 数据增强（合成训练样本）
↓
🔧 改进方向
├── mT5：支持101种语言（多语种）
├── T5-UL2：混合预训练目标（更强大）
├── 蒸馏压缩：用大模型教小模型（如Distilled-T5）
└── 领域适配：在医学、法律等数据上继续预训练
↓
💻 实现代码（用Transformers一行就能跑！）
├── 加载模型 tokenizer & model
├── 输入“任务前缀+文本” → 编码成token
├── model.generate() 生成 → decode() 得出结果
└── 支持自定义训练循环 + 优化器微调
