返回课程
AI012
专业级
深入探究大型语言模型
本课程全面深入地介绍了大型语言模型（LLMs）的发展历程、核心技术架构、训练范式（预训练、微调和对齐）、多模态扩展、提示工程、思维链推理、智能体，以及模型安全与隐私保护等前沿话题。
4.9
24.0h
1067 名学生
8 课时
0 点赞
人工智能
课程概述
内容概要
本课程全面深入地介绍了大语言模型（LLMs）的演进历程、核心技术架构、训练范式（预训练、微调与对齐）、多模态扩展、提示工程、思维链（CoT）、智能体，以及模型安全与隐私保护等前沿议题。
从预训练到通用智能体，深度剖析全栈大模型的技术演进与安全对齐。
学习目标
- 区分模型架构：识别仅编码器（Encoder-only）、仅解码器（Decoder-only）和编码器-解码器（Encoder-Decoder）模型在结构上的差异及其应用场景。
- 解释大语言模型训练流程：描述从自监督预训练到有监督微调（SFT）及基于人类反馈的强化学习（RLHF）的转变过程。
- 分析模型缩放与行为：解释缩放定律、涌现能力（上下文学习、思维链）以及幻觉现象的概念。
- 分析仅编码器（BERT）、仅解码器（GPT）和编码器-解码器（T5）架构之间的结构差异。
- 解释三阶段训练过程：预训练（基础模型）、指令微调（SFT）与对齐（RLHF/PPO）。
- 比较主流大语言模型（如 GPT、Llama、Qwen、DeepSeek）在性能、缩放定律和架构创新方面的表现。
- 实现零样本与少样本提示策略，用于结构化数据提取与分类任务。
- 调整模型超参数（温度、Top P、惩罚项），以平衡创造性输出与确定性输出。
- 使用手动、自动以及零样本（“让我们一步步思考”）方法构建有效的思维链（CoT）提示。
- 分析并比较不同思维链变体：区分自一致性（Self-Consistency）、思维程序（PoT）、思维树（ToT）与思维图（GoT）架构。