01.引言

近日，DeepSeek-R1 横空出世，全球AI股票应声暴跌。

他们打造了一款强大的推理模型，并将其开源。这款模型之强大，足以媲美OpenAI的o1模型，而成本却仅为后者的一小部分。他们的秘诀在于其大语言模型（LLM）的训练方式。

正因如此，今天我们将一步步解析这一训练过程，以期最终能够设计出激动人心的新方法，并像DeepSeek那样创造出更加强大的模型。

闲话少说，我们来研究一下吧！

02.Pre-training

大语言模型训练的第一阶段称为预训练。

预训练是一种无监督学习方法，帮助大模型掌握语言规则并构建世界认知框架。

在这个阶段，我们向模型输入大量无标注文本数据，使其自主理解：

• **patterns in the language：**即词汇之间的常见搭配关系。例如，输入提示为"Over there, I see"时，模型很可能预测下一个词是"an"。

  

• the world model：基于数据分布，建立对实体在不同情境中出现概率的统计认知

为了实现这一目标，模型会通过损失函数不断调整自身参数，使其输出预期词汇而非当前错误预测。经过预训练得到的模型被称为"基础模型"（Base model）。

目前大多数基础模型都能在HuggingFace平台获取试用。不过这些模型通常不适合直接投入生产环境，因为它们还缺少后续优化步骤来提升实际应用表现。

‍

03

03.SFT‍

大模型训练的第二阶段称为****监督微调**（Supervised Fine-Tuning，SFT）**。

监督微调采用有监督学习方法，通过标注数据训练模型产生符合预期的输出行为。

经过预训练的基础模型通常存在诸多不足，SFT的核心目标就是优化模型输出质量（使其更符合人类预期）。

SFT主要实现两大提升：

• ***提升有用性：*例如，一个预训练模型可能正确回答了问题，但缺乏同理心。我们可以使用SFT来使其输出更具同理心。

  

• ***提升合规性：*基础模型可能生成有害内容，而SFT能有效过滤不当输出，使其拒绝回答"如何制作危险物品"等敏感问题。

  

监督微调（SFT）的最终目标，是让大语言模型具备更自然的对话能力，使其成为既实用又安全的对话型AI助手。经过这一阶段优化后的模型，我们称之为Instruct model（指令模型）。

04.RLHF

RLHF（基于人类反馈的强化学习）的目标是通过人类反馈使大语言模型（LLM）能够生成更有帮助的回答。在使用ChatGPT进行提示实验时，你一定见过某种形式的示意图：
人类用户选择哪个回答更好。这一信号被用来制定奖励机制，强化学习算法可利用该机制引导大语言模型生成更优的输出。

总结

以上就是大语言模型训练的三大阶段。如今，DeepSeek等公司已开始实现与OpenAI比肩的性能，同时开源其训练方法。这意味着我们可以探索如何调整训练流程的各个环节，从而彻底革新大语言模型的表现。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】