模块 2：LLM 的核心原理
这个模块解释 LLM 为什么能工作。目标不是把学习者训练成论文审稿人，而是让他们理解关键机制，知道哪些说法靠谱，哪些只是把神秘感调到最大音量。
学习目标
学完本模块后，学习者应该能够：
- 用直觉解释 Attention 和 Transformer。
- 理解预训练、指令微调、偏好优化的区别。
- 理解模型推理时 Prompt、采样参数、上下文窗口如何影响输出。
- 理解 Scaling Law 的基本含义和边界。
- 知道小模型、大模型、推理模型各自的价值。
单元列表
2.1
Transformer 与 Attention 直觉入门
进阶级55 分钟
本单元只解决一个主问题： Attention 和 Transformer 到底解决了语言模型里的什么关键问题？…
开始学习 →
2.2
训练过程：模型能力从哪里来
进阶级50 分钟
本单元只解决一个主问题： LLM 的能力是怎么训练出来的？…
开始学习 →
2.3
推理过程：Prompt 如何变成回答
进阶级50 分钟
本单元只解决一个主问题： 用户输入 Prompt 后，模型是如何一步步生成回答的？…
开始学习 →
2.4
Scaling Law 与能力增长
进阶级45 分钟
本单元只解决一个主问题： 为什么模型变大、数据变多、计算变强后，能力通常会提升，但这件事又不是无限魔法？…
开始学习 →模块作业
用直觉解释模型原理
把本模块的学习目标变成一次可提交、可评分的真实任务。
查看作业 →