收藏！小白程序员必看：大模型推理机制深度解析，轻松入门

关注

原创最新推荐文章于 2026-07-14 09:50:34 发布 730 阅读 AI 写同款· GEO 优化 ›

《C#零基础入门之百识百例》（七）算数运算符 -- 圆的面积运算符是一种告诉编译器执行特定的数学或逻辑操作的符号。C# 有丰富的内置运算符，本文带你学习C# 中算数运算符。阅读详情

本文通过OpenAI联合创始人的观点和《神经语言模型的缩放定律》，阐述了模型性能与计算量、数据集大小及参数规模的关系。文章深入解析了LLM（大语言模型）的推理机制，详细拆解了预填充和生成两个阶段，并解释了token采样、线性投影及Softmax函数的工作流程。此外，还介绍了TopN、TopK等参数如何影响token选择及生成过程终止。通过本文，读者将能清晰地理解LLM生成文本的底层逻辑，为入门大模型学习打下坚实基础。

OpenAI联合创始人伊利亚・萨茨凯弗（Ilya Sutskever）在一次采访中曾表示：

“只要在足够大的数据集上训练一个足够庞大且足够深的神经网络，你就必然会取得成功。”

这句话的价值在于，它明确强调了“规模”至今仍是所有新的最优模型（SOTA）所遵循的核心逻辑。

2020年，AI研究人员发表了《神经语言模型的缩放定律》一文，通过实验探索了语言模型性能的缩放规律，发现决定模型性能的因素主要有三个：计算量、数据集大小、参数规模。

这其中，最值得关注的发现是：随着模型规模、数据集大小及训练所用计算量的增加，大语言模型（LLM）的性能会逐步平稳提升。这一规律同样影响着推理过程——模型规模越大，所需的计算资源就越多，唯有如此才能实现高效部署，同时将延迟控制在合理范围内。

OpenAI关于LLM预训练的缩放定律研究成果

本文将详细解析LLM的推理机制，通过以一个自定义提示词为例，逐步拆解预填充（prefill）和生成（generation）两个阶段，同时解释token采样（token sampling）、线性投影（Linear Projection）的工作流程，以及如何通过对logits应用Softmax函数来获取下一个token的概率分布。

此外，本文还会说明TopN、TopK等是如何影响token选择，以及生成过程如何终止。

1、什么是模型推理与部署？

在机器学习运维（MLOps）的生命周期中，推理过程属于部署与反馈阶段。当完成数据的收集、清洗、标注等准备工作，经过多轮训练实验并选定最优模型后，便需要对模型进行部署，随后输入真实世界中未曾见过的数据，以此获取预测结果。

推理指的是：将训练好的模型与未见过的输入数据（推理数据）结合，生成预测输出供用户或服务使用的过程。

而模型部署（model serving）则是指将模型打包并部署，使其在生产环境中作为实时数据处理服务或可调用的API服务可用。

简单来说，模型本质上是按层组织的结构化数学运算图，每个神经元或层都附着有预定义的常量（权重和偏置值），这些是模型训练过程中学到的参数。要让模型可部署，需配置相应的库、框架、依赖项和流水线，将输入数据处理为模型可理解的标准化格式，同时将模型输出（即预测结果）转换为与应用兼容的格式。

2、LLM的推理过程

大多数主流的仅解码器大语言模型（decoder-only LLMs）都以因果建模为目标进行预训练，核心能力是“下一词预测”。它们接收一系列token作为输入，持续生成序列的下一个token，直到满足停止条件——要么生成特殊token（如, , <end_of_text>），要么达到指定的max_tokens参数限制。

这个过程具有自回归特性：T0…T（n-1）token生成T（n）令牌，随后T0…T（n）又生成T（n+1）token。

理解LLM推理需掌握两个阶段：预填充（初始化）阶段和解码（生成）阶段。

3、LLM的预填充阶段

预填充（prefill）也称为输入处理阶段，是LLM接收token输入并计算中间状态（键和值）以生成“第一个”新token的过程。

以“Neural Bits Newsletter is”作为输入文本为例：在预填充阶段，文本会被tokenized，模型进入“热身”阶段，根据输入文本计算初始的K（键）和V（值）矩阵。

需要注意的是，在推理中，预填充阶段会占用较多GPU内存，因为模型在第一次处理提示时需要加载整个输入上下文。此阶段的注意力机制可视为矩阵到矩阵的运算，在GPU上具有高度并行性。

每个LLM模型都会训练自己的tokenizer，且tokenizer与预训练数据集的文本语料高度相关。以下示例使用的是GPT-4o和GPT-4o-mini的tokenizer。

“Neural Bits Newsletter”通过tokenizer的转换过程

一个常用的指标是首token生成时间（TTFT，time to the first token），它衡量预填充时间、token化过程和初始K、V状态计算的耗时，通常用于测试预填充阶段的性能。

当第一个新token被添加到序列中，就进入了自回归生成阶段。

展示预填充阶段生成第一个“新”token的过程。当输入提示经token化处理并传入LLM后，最后一层会对logits执行线性投影+Softmax运算，得到覆盖模型整个词汇表的概率分布，进而选出下一个token

该阶段后，Q（查询）、K（键）和注意力矩阵完成“热身”，由于内存已完成分配，生成过程会运行得更快。

4、LLM的生成阶段

生成阶段指的是LLM通过自回归过程逐个生成token，直到满足停止条件的过程。每个连续输出的token都需要参考所有先前生成token的输出状态（键和值）。

这里有一个重要的点需要说明：生成阶段受内存限制。原因如下：

权重、键、值和激活值从CPU内存传输到GPU的速度，慢于计算这些数据本身所需的时间。每个新token、键和值的规模呈线性增长，而注意力计算的规模则大致呈二次方增长。

要理解这种缩放关系，请参考下图，该图展示了输入提示词的嵌入向量如何在Transformer层中进行流转：

基于nano-GPT模型架构的LLM输入部分结构

在每个网络层中，模型都会为输入序列中的每个token计算查询（Query，Q）、键（Key，K）和值（Value，V）向量，以及一个注意力矩阵。随着这些表征流经更深层的网络，它们会被不断优化，从而具备更强的上下文理解能力。

向序列中添加一个token会使Q、K、V矩阵的行数线性增加。对于尺寸为N×N（其中N为序列长度）的注意力矩阵而言，新增token会使其规模相应扩大，进而导致注意力计算量呈二次方增长。

LLM中另一个核心组件是最后一层——其本质上是一个分类层。

该层包含线性投影（Linear Projection）过程：将前层的中间输出映射到n_vocab维度（n_vocab表示模型训练时的词汇表大小）。

简而言之，如果模型包含100个token，那么经过线性投影后，logits的形状将为（100）。将这些logits输入Softmax激活函数后，会得到整个词汇表上的概率分布，该分布代表了每个token作为下一个令牌的可能性。接下来，LLM会根据生成配置参数（TopK、TopP、温度）选择最优的“下一个token”，并将其添加到序列中，之后重复这一过程。

可通过下图查看整个过程：

基于nano-GPT模型架构的最后一层功能（线性投影+Softmax）

为解析上述生成配置参数，可通过调整温度（Temperature）、TopK和TopN阈值来控制token的采样过程。以下是这些参数的作用：

温度（Temperature）：应用于最终Softmax层的缩放因子，影响模型计算的下一个token的概率分布。较高的温度（≈1）会使token选择更随机/更具创造性，较低的温度则会使行为更具确定性。

TopK：也称为贪婪采样，它让模型仅考虑最可能的K个token。较小的K会使行为更确定（具体），较大的K则会使行为更随机（stochastic）。

TopN：也称为核采样，与TopK类似，但它并非限定考虑K个token，而是以这些token的累积概率为条件：模型会选择累积概率超过阈值的N个token。

例如，若将阈值设为0.5：第一次迭代中，若“awesome”的概率为0.6，则仅考虑该token；若“awesome”的概率为0.1、“amazing”的概率为0.2、“marvelous”的概率为0.3，三者累积概率为0.6（超过阈值），则会考虑这3个token。

结合实际示例理解会为更简单。

回到“Neural Bits Newsletter is”这个提示，假设第一个预测token是“awesome”，那么整体过程如下：

LLM中自回归解码的工作原理：此图展示新token如何被添加至初始序列并传入LLM，通过应用线性投影和Softmax运算来获取“下一个”token

我们能清晰看到这个重复过程：将新token添加到序列中，传入模型，获取下一个token，再次添加并传入模型，直到达到max_tokens限制或模型生成（序列结束）token。

了解这个原理后，当你使用LLM模型（如ChatGPT、Gemini、Perplexity等）时，聊天界面中文字开始出现前的短暂延迟，就是预填充和第一个token生成的耗时，之后逐个出现的新词汇，则来自生成阶段。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】