我们将直观地了解模型是如何运行的以及它的能力是如何产生的，不需要用到数学知识。
涉及的知识：为什么token和汉字不是一一对应、语料的作用、模型训练过程、模型如何运行、模型中的参数是什么、模型为什么几个字几个输出、涌现是什么、模型能力有什么决定、提示语工程、如何选择模型
一、先验知识
模型需要能认识文字，并且需要大量数据语料来学习。
-
比如下边是其中一个数据语料： 从前有一只可爱的小白兔，它住在一个美丽的森林里。小白兔非常勤劳，每天都会去森林里采集蘑菇和胡萝卜。
-
我们将这句话拆成词组，如下： {从前}{有}{一只}{可爱的}{小}{白兔}…
上边出现的词组，例如：“从前”、“有”、“一只”、“可爱的”、“小”、“白兔”… 大括号中的每个部分叫做一个“token”。 所有词组成的表叫做“token表”，它存储了模型能认识的所有字。
这就说明了为什么 一个“token”和一个汉字不一定是一一对应 的关系。
二、模型训练
使用如下语料，观察一下模型的训练过程：
从前有一只可爱的小白兔，它住在一个美丽的森林里。小白兔非常勤劳，每天都会去森林里采集蘑菇和胡萝卜。
对这句话进行token拆分，如下：
{从前}{有}{一只}{可爱的}{小}{白兔}…
训练的时候我们陆续盖住这些词组，让模型猜下一个词：
-
第一次训练： input:从前 output:? 如果output猜的是{有}，则不做操作，如果不是，则让模型调整[参数]。
-
第二次训练: input:从前有 output:? 如果output猜的是{一只}，则不做操作，如果不是，则让模型调整[参数]。 … (备注，这里说的 [参数]实际是对应模型的大小 ，例如GPT3模型大小是175b参数)
所有语料都经过处理后，不断调整模型参数，最终模型调整完成。
使用模型
当使用训练好的模型时，首先输入信息（input）{此例中：从前}，模型生成输出（output）{此例中：有}，然后此输出加到输入中形成新的输入{此例中：从前有}，再基于这个新输入生成新输出{此例中：一只}。这个过程一直重复，直到模型输出结束符号，这时模型输出完全完成。
这也就是为什么在 使用模型的时候，它是几个字几个字这样输出 的。
涌现
模型究竟学习到了什么？
模型学习到了在给定输入（input）的情况下，理解这个输入并基于理解生成输出（output）。
这个 理解和输出的过程，就是模型的能力。
因为通过大量的预料训练，模型从这些文本中找到了一些规律，包含不限于以下这些： 语法、语序、语义、逻辑、推理、情绪 。。；
这些能力都来自语料中的信息。
比如我们有两类主要语料信息：
数学题：
我们规定两人轮流做一个工程是指，第一个人先做一个小时，第二个人做一个小时，然后再由
第一个人做一个小时，然后又由第二个人做一个小时，如此反复，做完为止。如果甲、乙轮流做一个工程需要9.8小时，而乙、甲轮流做同样的工程只需要9.6小时，那乙单独做这个工程需要多少小时?
解：两次做每人所花时间：甲乙
5小时4.8小时
4.6小时5小时
∴甲做0.4小时完成的工程等于乙做0.2小时，乙的效率是甲的2倍，甲做5小时完成的任务乙只要2.5小时就能完成。
**∴**乙单独完成这个工程要2.5＋4.8＝7.3（小时）
故事书：
从前有一只可爱的小白兔，它住在一个美丽的森林里。小白兔非常勤劳，每天都会去森林里采集蘑菇和胡萝卜。
这些语料有个基本的特点，他们都是普通话描述的，所以模型的基础能力肯定有： 语法、语序、语义等。。
如果训练的数学数据很多的话，他就会出现了如下能力： 数学、推理等。。
当不同种类的训练预料多到一定程度的时候，就会产生各种能力，比如： 语法、语序、语义、数学、推理、编码、逻辑、推理、情绪 。。；
除了这些， 模型还学习到了很多很多说不清的能力，这些所有的能力称之为涌现。
充分训练后的LLM能力的示意图如下：
- 黑点部分为模型的能力
- 红色直线表示“已经充分训练后的LLM”：
因为模型训练的语料大多是普通话，所以训练好的模型在语法、语序、语义方面能力很强。 至于数学、推理、编码、逻辑等能力，则 取决于训练语料的多少，不同能力的表现程度会有所不同。
模型的能力由什么决定？
第一个影响因素是token表： 他是指模型可以认识的字。（这部分差异不大，不做介绍。）
第二个影响因素则是语料： 各家模型的训练方法其实都是大同小异的，最大的差异在于他们用什么语料来训练模型。
比如豆包模型，它是字节跳动的模型，他们的抖音短视频信息很多，属于C端用户信息较多的，也会有很多营销策略等信息，所以他们处理C端营销的方案方面就比较强。 比如千问模型，它是阿里的模型，因为他们有阿里健康相关的预料，所以他们在医疗模块方面的能力就比较强。 
这些预料的不同，就造成了不同厂家的模型有不同的能力，有些能力较强，有些能力则较弱。
我们的问题是：能力如此不同，怎么更好的与模型交互呢？
提示语工程
模型的逻辑是：通过你输入的input，去理解你的意思，使用模型的理解，去输出output。
这里说的 input，我们称之为提示语。
在一个大参数模型（一般指千亿规模100B+）下，如果预料训练充分的话，他的语言能力其实是差不多的，这些能力大概包括如下： 语法、语序、语义等。。
但是其他 涌现出来的能力都怎么样，其实就不能确定了 ，因为更多的是依赖预料的类型，这些能力大致包括如下： 语法、语序、语义、数学、推理、编码、逻辑、推理、情绪 。。；
模型的能力不确定的话，如何使用模型呢？
openai推出了一个提示语工程手册[1],手册大概描写了如何向模型提问的6个策略：
- 提供更详细的问题背景信息
- 让模型扮演一个角色
- 用分隔符，清晰的表达不同部分的逻辑
- 如果是复杂问题，给他个拆解步骤，让它按步骤执行
- 提供一些输入input和输出output的例子
- 指定输出的格式
这些策略的重点都是在于如何把一个问题描述清楚，然后使用模型涌现出的能力，得到最终的输出。
如果 你的input描述的很清楚，你的最佳策略应该是去尝试不同的模型了。
没有哪个模型是一定比另一个模型强的，不同的场景要使用不同的模型。
程序员为什么要学大模型？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
666
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
