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 Block
Transformer 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.x，GPT 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。
