图解LLM,入门大模型必看

9张图解LLM

✅ 1. Transformer vs. Mixture of Experts

  • Transformer 每个解码器块使用固定的前馈网络;
  • Mixture of Experts (MoE) 通过 Router 动态选择部分专家网络,提升模型容量同时减少计算量。

✅ 2. 5种微调大语言模型(LLM)的方法(LoRA系列)

  • LoRA:冻结原始参数,仅训练低秩矩阵 A 和 B;
  • LoRA-FA:输入侧也加入变换,更灵活;
  • VeRA:参数更少,训练共享向量 + 偏置;
  • Delta-LoRA:每层引入多个 LoRA 分支,增强表达;
  • LoRA+:在 B 矩阵上使用更大学习率,加快收敛。

✅ 3. Traditional RAG vs. Agentic RAG

  • 传统RAG:直接用 query 检索向量库,拼接上下文喂给 LLM;
  • Agentic RAG:引入 Agent,迭代重写问题、判断是否信息不足、是否需要用工具或检索源,流程更智能。

✅ 4. 5种 Agentic AI 设计模式

  1. Reflection:先生成再反思输出,迭代优化;
  2. Tool Use:调用外部工具补充信息;
  3. ReAct:推理 + 动作交替进行;
  4. Planning:先拆解任务,逐步执行;
  5. Multi-agent:多个 Agent 协作解决复杂问题。

✅ 5. 5种 RAG 文本切分策略(Chunking)

  1. Fixed-size:定长切分,简单易实现;
  2. Semantic:按语义相似性拼接;
  3. Recursive:大段内容递归再切分;
  4. 结构化切分:按文档结构如标题、章节切分;
  5. LLM生成切分:利用LLM智能划块。

✅ 6. 5级 Agentic AI 系统能力层级

  1. 基础回复者:只用 LLM 输出结果;
  2. Router 模式:路由器 LLM 选择最佳模型;
  3. 工具调用:LLM 能调用 API、数据库等外部资源;
  4. 多智能体:多个子 Agent 协同;
  5. 自主智能体:生成+验证器 Agent 形成闭环反馈优化。

✅ 7. Traditional RAG vs. HyDE

  • RAG:直接将 query 用作向量检索;
  • HyDE:先让 LLM 生成一段"假设文本",用该文本向量检索,提高相关性。

✅ 8. Traditional RAG vs. Graph RAG

  • RAG:依赖向量库检索相关文档;
  • Graph RAG:用 LLM 生成知识图谱(实体+关系),结合图数据库进行图遍历,获取结构化上下文。

✅ 9. KV Caching in LLMs

  • Insight 1:生成新 token 只需最后的 hidden state;
  • Insight 2:最后 hidden state 只依赖最后一个 query 向量和之前所有的 key/value 向量;
  • 结论:将 K/V 向量缓存起来,可避免重复计算,大幅提升推理效率。
相关推荐
zkmall1 小时前
企业电商解决方案哪家好?ZKmall模块商城全渠道支持 + 定制化服务更省心
大数据·运维·重构·架构·开源
青阳流月11 小时前
1.vue权衡的艺术
前端·vue.js·开源
小小鱼儿小小林12 小时前
免费一键自动化申请、续期、部署、监控所有 SSL/TLS 证书,ALLinSSL开源免费的 SSL 证书自动化管理平台
开源·自动化·ssl
三花AI12 小时前
阿里开源 OmniAvatar:音频驱动数字人模型
开源·资讯
说私域13 小时前
基于开源AI智能客服、AI智能名片与S2B2C商城小程序的微商服务质量提升路径研究
人工智能·小程序·开源
蚂蚁数据AntData13 小时前
从性能优化赛到社区Committer,走进赵宇捷在Apache Fory的成长之路
大数据·开源·apache·数据库架构
阿里云云原生14 小时前
Spring AI Alibaba 游乐场开放!一站式体验AI 应用开发全流程
开源
NocoBase14 小时前
为什么越来越多 Airtable 用户开始尝试 NocoBase?
低代码·开源·资讯
算家计算14 小时前
4 位量化 + FP8 混合精度:ERNIE-4.5-0.3B-Paddle本地部署,重新定义端侧推理效率
人工智能·开源
于顾而言15 小时前
【开源品鉴】FRP源码阅读
后端·网络协议·开源