本书主要面向希望系统学习大语言模型技术的读者，将重点突出核心概念与 算法，并且配以示例与代码（伪代码）帮助读者理解特定算法的实现逻辑。由于大语言模型技术的快速更迭，本书无法覆盖所有相关内容，旨在梳理最具代表性的基础知识内容，帮助读者更好地了解大语言模型技术的核心知识点，能够快速上手相关的科研与工程项目。为了配合本书的阅读与使用，我们创建了一个 GitHub项目网站，该网站收集了关于大语言模型的相关资源。
本书共设置了五个主要部分，分别是背景与基础知识部分、预训练部分、微调与对齐部分、大模型使用部分以及评测与应用部分，按照如下的内容组织进行设置：
• 背景与基础知识部分. 第 2 章将首先介绍大语言模型的构建过程，随后介绍大语言模型相关的背景知识以及重要概念，包括涌现能力、扩展定律以及二者之间的联系与区别；进一步介绍 GPT 系列模型的发展历程以及各个阶段的重要技术创新，从而能够更好地了解大语言模型的技术升级历史。第 3 章将介绍目前大语言模型相关的资源信息，包括公开可用的模型检查点与 API 、数据集合以及代码工具库，为读者梳理与汇总相关资源。
131.5 本书的内容组织
• 预训练部分. 第 4 章将主要介绍预训练数据的准备工作，主要包括数据的收集、清洗以及词元化方法，随后将介绍数据课程的设计方法。第 5 章将主要介绍大语言模型的架构，主要包括 Transformer 模型、各种组件的详细配置、长文本建模以及一些新型的模型架构。第 6 章将主要介绍预训练过程所涉及到的预训练任务、优化参数设置、可扩展的训练技术以及参数量计算与效率分析方法，并通过相关实战代码进行讲解。
• 微调与对齐部分. 第 7 章将主要介绍指令微调所涉及的数据构建、优化策略；进一步将介绍典型的轻量化微调技术，减少模型训练的开销；并且通过实践示例介绍指令微调的具体流程。第 8 章将主要介绍大模型的人类对齐技术，将以RLHF 为主要方法进行详细介绍，并且进一步介绍非强化学习的对齐方法，最后探讨 SFT 与 RLHF 之间的关系。
• 大模型使用部分. 第 9 章将主要介绍大模型的解码与部署方法，包括解码策略、解码加速算法、低资源部署策略以及其他模型压缩方法。第 10 章将主要介绍面向大语言模型的提示学习技术，包括基础的提示学习设计方法、上下文学习方法以及思维链方法等。第 11 章将主要介绍面向复杂任务的规划技术，探索如何将复杂任务进行有效分解，并通过回溯、反思等关键技术形成有效的解决方案；进一步，将介绍如何构建基于大语言模型的智能体以及多智能体系统。
• 评测与应用部分. 第 12 章将主要介绍面向大语言模型性能的评测方法，针对不同的能力维度介绍相关的评测集合、评测指标以及评测方法，并且指出大语言模型目前存在的问题。第 13 章将主要介绍大语言模型的应用情况，具体将分别从代表性的研究领域以及应用领域两个维度展开讨论，我们将以代表性工作为驱动，使得读者能够了解如何将大语言模型进行领域特化以及任务特化。
最后，第 14 章将对于全文的内容进行总结，进一步梳理目前每个部分存在的技术挑战以及研究趋势。
目录
本书内容截图
本书pdf免费下载地址