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
boonya2 小时前
国内外开源大模型 LLM整理
开源·大模型·llm·大语言模型
伊莲娜生活8 小时前
开源技术助力企业腾飞,九识智能迈入‘数据驱动’新纪元
开源
算家计算11 小时前
腾讯最新开源HunyuanVideo-Foley本地部署教程:端到端TV2A框架,REPA策略+MMDiT架构,重新定义视频音效新SOTA!
人工智能·开源
ai产品老杨13 小时前
打破技术壁垒,推动餐饮食安标准化进程的明厨亮灶开源了
前端·javascript·算法·开源·音视频
一匹电信狗14 小时前
【Linux我做主】细说进程等待
linux·运维·服务器·c++·ubuntu·小程序·开源
OpenTiny社区15 小时前
OpenTiny NEXT 训练营实操体验 | 四步将你的 Web 应用升级为智能应用
前端·开源·ai编程
时序数据说18 小时前
时序数据库IoTDB:为何成为工业数据管理新宠?
大数据·数据库·物联网·开源·时序数据库·iotdb