【AI大模型微调】第 1 章 大模型概述

第 1 章 大模型概述1.1 大模型基本原理大语言模型本质上是一种基于海量文本训练得到的文本生成模型可以看作是一个规模非常庞大包含了非常多参数的函数。对于普通函数而言是给定一个输入经过固定规则计算后得到一个输出。大模型也是类似的过程我们输入一段文本模型经过内部计算后输出接下来最可能出现的文本内容。具体来说我们输入给大模型prompt之后其内部会将这些prompt按照一定的规则切割成一个一个的token这里的 token 可以是一个字、一个词也可以是词的一部分。经过内部运算大模型输出下一个token的概率分布并根据该概率分布采样得到下一个token。模型并不是一次性生成完整答案而是不断重复“预测下一个 token”的过程逐步生成句子、段落乃至完整对话。通过在大规模语料上进行这种训练模型能够学习到语言的语法结构、表达方式、知识关联以及一定的推理模式。因此虽然它的底层训练目标看起来只是“预测下一个 token”但当模型规模、训练数据和训练方法达到一定程度后模型就能够表现出问答、摘要、翻译、信息抽取、代码生成等多种能力。1.2 大模型结构当前主流的大语言模型大多基于 Transformer 架构构建其中很多模型采用 Decoder-only 结构例如 GPT、DeepSeek、Qwen 等。对于本课程来说不需要深入掌握 Transformer 的数学细节只需要理解它是当前大模型最常用的基础结构能够帮助模型根据上下文生成后续文本。从整体上看一个典型的大语言模型可以简单分为输入层、Transformer Block 堆叠层和输出层三个部分。这些层内部包含大量矩阵这些矩阵中的数值就是模型的参数。1.2.1 输入层输入层负责把用户输入的文本转换成模型可以计算的数字表示。模型不能直接理解文字因此会先把文本切分成一个个 token再把每个 token 和模型的参数经过矩阵运算转换成表示token初始语义信息的向量。输入层的作用可以简单理解为把“文字”变成“模型能处理的数字”其也是为后续 Transformer Block 提供初始的语义信息。1.2.2 Transformer BlockTransformer Block 是大模型中最核心的计算部分通常会堆叠很多层。每一层内部主要包含注意力机制和前馈神经网络。可以简单理解为token 进入 Transformer Block 后会不断和前文中的 token 建立联系模型会根据上下文更新它的表示使这个表示不仅包含 token 本身的信息也包含它在当前句子或对话中的语义关系。1.2.3 输出层经过多层 Transformer Block 计算后每个 token 都会得到一个新的向量表示。对于文本生成任务来说模型通常会使用最后一个位置对应的向量经过输出层的计算得到下一个 token 在整个词表上的概率分布。例如假设经过 Transformer Block 计算后最后一个 token 对应的向量是一个 128 维向量而模型的词表大小是 50000。那么输出层会把这个 128 维向量转换成一个 50000 维向量其中每一个位置都对应词表中的一个 token。这个 50000 维向量当中任意一个维度的值就表示下一个token是取当前索引位置处的token的概率。模型在生成文本时会根据这个概率分布选择或采样出下一个 token然后把新生成的 token 加到原来的输入后面继续预测下一个 token。这个过程不断重复就形成了完整的句子或回答。1.3 大模型发展历程自 2018 年 GPT-1 发布以来到如今的GPT-5.xGPT 系列的发展推动了现代大语言模型训练范式的逐步成熟形成了以 “预训练—监督微调—对齐” 为核心的三阶段开发框架预训练Pre-training基于超大规模无标注语料进行自监督学习使模型获得通用语言建模能力、广泛的世界知识以及基本的推理与泛化能力。监督微调Supervised Fine-tuning, SFT利用人工构建的指令—响应示例或高质量对话数据对模型进行进一步训练使其能够更好地理解指令并输出更加规范、稳定且贴合任务需求的内容。对齐Alignment通过引入人类偏好、行为规范、安全约束与价值观等因素使模型的行为更符合用户期望。对齐方式包括RLHF奖励模型 强化学习以及DPO、ORPO、KTO 等无需强化学习的偏好优化方法。对齐阶段的目标是让模型在真实应用场景中表现得更有帮助、更安全、更可靠。这一“三阶段”开发范式在实践中得到广泛验证已成为业界主流的大语言模型训练框架。