本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。
推理模型发展正盛，著名 AI 技术博主 Sebastian Raschka 也正在写一本关于推理模型工作方式的新书《Reasoning From Scratch》。在此之前，他已经出版了多本 AI 领域的著名书籍，包括《Build a Large Language Model (From Scratch)》、《Machine Learning Q and AI》、《Machine Learning with PyTorch and Scikit-Learn》。
近日，他在自己的博客上放出了这本书的第一章，为 LLM 领域的推理进行了入门级的介绍，同时还概述了推断时间扩展和强化学习等技术方法。
本书介绍的方法将引导您完成开发小型但实用的推理模型的过程，用于教学目的。它借鉴了创建 DeepSeek R1、GPT-5 Thinking 等大规模推理模型的方法。此外，本书还包含用于加载现有预训练模型权重的代码。
目前教程正在紧锣密鼓的更新中，目录在这：
| 第 1 章：理解推理模型 | |
| 第 2 章：使用预训练的 LLM 生成文本 | |
| 第 3 章：评估推理模型 | |
| 第 4 章：利用推理时间缩放改进推理 | |
| 第 5 章：使用强化学习训练推理模型 | |
| 第 6 章：提炼推理模型，实现高效推理 | |
| 第 7 章：改进推理流程和未来方向 | |
| 附录 A：参考文献和进一步阅读 | |
| 附录 B：练习解答 | |
| 附录 C：Qwen3 LLM 源代码 | |
| 附录 D | |
| 附录 E | |
| 附录 F：LLM 评估的常见方法 |
下面的心理模型总结了本书涵盖的主要技术。
硬件要求
本书主要章节的代码设计主要针对消费级硬件，能够在合理的时间范围内运行，无需专门的服务器硬件。这种方法确保了广大读者能够理解本书的内容。此外，如果 GPU 可用，代码会自动利用 GPU。也就是说，第 2-4 章在 CPU 和 GPU 上都能很好地运行。对于第 5 章和第 6 章，如果想要复制本章的结果，建议使用 GPU。
学习资源推荐
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。