LLM 原理入门介绍
边学边练请访问 LLM 原理七天学会 子站（StoneXYZ AI 品牌），含课表、实验室与学习记录。
这门课解决什么问题？
LLM 原理 面向希望把「听过概念」升级为「能拆解、能动手、能验收」的工程师与研究者。课程主张：从预训练到涌现。
在真实项目里，失败很少来自「不知道名词」，而来自：
- 口径不一致：同一指标在不同工具里含义不同；
- 证据链断裂：只有结论没有可复现步骤；
- 过早优化：没建立基线就调参；
- 忽略约束：安全、延迟、成本、合规未进入设计。
本课程用 7 天把关键概念压缩成可执行路径，并与主站文档互相引用。
为什么现在学？
产业侧模型能力快速迭代，但工程债同步累积：评测不稳、部署不可复现、安全事件频发、成本失控。掌握 LLM 原理 相关栈（BPE/Unigram, Attention, MoE, RoPE 等），能让你在选型与排障时有「第一性原理」而不是靠运气。
核心支柱
| 支柱 | 要求 |
|---|---|
| Tokenizer | 可教学、可验证、可迁移 |
| Transformer | 可教学、可验证、可迁移 |
| 预训练目标 | 可教学、可验证、可迁移 |
| 缩放律 | 可教学、可验证、可迁移 |
| 对齐简介 | 可教学、可验证、可迁移 |
| 评测 | 可教学、可验证、可迁移 |
七天课表速览
| 日程 | 核心产出 |
|---|---|
| Day1 Token | 分词、词表、压缩率 |
| Day2 Attention | QKV、因果掩码、效率 |
| Day3 结构变体 | GQA、MoE、Norm 位置 |
| Day4 预训练 | 数据配比、目标、稳定性 |
| Day5 缩放律 | 算力-数据-参数权衡 |
| Day6 能力边界 | 涌现、幻觉、工具需求 |
| Day7 全景 | 预训练→后训练→推理服务 |
学习成果画像
完成本课程与配套文档后，你应能：
- 用自己的话解释 LLM 原理 的关键路径与典型失败模式；
- 搭建最小可运行实验并记录基线指标；
- 阅读开源项目的核心模块并定位扩展点；
- 在发布清单中覆盖质量、安全与回滚项。
与站内其他课程的关系
建议路径：LLM 原理 → 后训练/压缩 → 推理引擎/CUDA → 端侧部署 → AI 安全。本课文档位于「AI 技术栈」，七天子站提供交互实验；主站文档提供可检索的深度文本与图示。
术语最小集
| 术语 | 一句话 |
|---|---|
| 基线（Baseline） | 未优化前的可复现指标快照 |
| 证据（Evidence） | 可复核的日志、曲线、配置与版本 |
| 验收（Acceptance） | 事先写清的通过/否决条件 |
| 回滚（Rollback） | 发布失败时回到上一已知良好版本 |
阅读地图
方法论：先测量，再故事
每次实验固定：
假设 → 变量（只改一个）→ 指标 → 对照 → 结论 → 下一步
不要用「感觉更快」替代数字；也不要用单一最优值掩盖方差。报告至少包含：配置、种子/版本、样本、P50/P90、失败案例。
安全与合规提示
学习内容仅供研究与防御/工程能力建设。涉及攻击面、红队、数据与算力时，请遵守法律与组织授权；生产变更需审批与审计。
小结
LLM 原理 不是名词堆砌，而是一条从原理到验收的工程链。接下来进入 快速开始，把环境与第一份基线跑通。
深入：注意力复杂度
标准自注意力对序列长度 (n) 是 (O(n^2)) 内存与计算。于是有：稀疏注意力、线性注意力近似、FlashAttention 的 IO 感知实现、GQA 降低 KV 头数等。
深入：缩放律使用方式
缩放律帮你在「加参数 / 加数据 / 加训练步」间做预算，不是保证能力单调变强。数据质量、重复率、评测污染都会让曲线失真。
深入：Tokenizer 影响一切
词表太大：嵌入参数变大；太小：序列变长。多语言与代码场景对分词质量极度敏感。换 tokenizer 等于换「文字世界的像素」。