这是一篇由Weights & Biases发布的关于从头开始训练大语言模型（LLM）最佳实践的白皮书，主要内容包括模型训练的决策、硬件要求、数据处理、训练步骤、模型评估、风险应对以及后续优化等方面，旨在为从业者提供全面的指导。

1. 构建与使用预训练模型的决策

• 使用商业LLM API：如GPT - 3，技术门槛低，能快速应用于下游应用开发，但成本高，对数据敏感行业受限，灵活性差。

• 使用开源预训练模型：如GPT - NeoX，可利用其学习成果，节省数据和训练资源，但仍需专业技能，模型性能可能滞后，且开源模型的可复现性存在问题。

• 自行预训练模型：能完全掌控模型性能和发展方向，适合对模型架构或训练数据有特殊需求的场景，但成本高、风险大，需要跨领域知识，训练效率相对较低。

2. 模型扩展规律

• OpenAI最初认为增加模型大小更重要，后DeepMind提出增加训练数据量对提升性能更关键。

• DeepMind的Chinchilla模型展示了模型大小和训练数据量应按相近比例增加以达最优性能，当前多数LLM仍未达此标准。

3. 硬件要求

• 训练LLM对硬件要求极高，如PaLM使用大量TPU v4芯片，GPT - NeoX使用众多A100 GPU等。

• 面临内存和计算效率的挑战，需采用并行架构和优化算法，常见并行技术包括数据并行、张量并行、流水线并行和模型并行等，且常结合使用。

4. 数据集处理

• 收集：数据质量影响模型性能，应注重多样性，涵盖多种来源，如学术写作、在线资源、对话等。部分数据集公开，但多数公司为保持竞争优势而内部使用。领域专家和NLP工程师应合作确保数据质量。

• 预处理：包括数据采样、清洗、非标准文本处理、去重和下游任务数据移除等，以保证数据高质量、多样化，避免数据泄漏。

• 标记化：将文本编码为标记ID整数，有基于标点、单词、字符和子词等方法，子词方法（如BPE、WordPiece等）在处理复杂语言形态和未登录词方面表现较好，但不同方法各有优劣，需根据任务和语言选择。

5. 预训练步骤

• 模型架构：常基于流行模型架构（如GPT - 2、GPT - 3）调整，如GPT - NeoX - 20B和OPT - 175B在嵌入方式、层结构、批量大小等方面进行了改进。

• 实验与超参数搜索：预训练需大量实验，涉及多种超参数，通过手动试错和自动优化结合寻找最优配置，且训练中可能需调整超参数。

• 训练中的问题与解决：训练时可能遇硬件故障和稳定性问题，如损失尖峰，可通过调整批量大小、使用批归一化、学习率调度、权重初始化、正则化、数据增强、热交换等方法缓解，完成训练后应保存环境以便复现。

6. 模型评估

• 使用多种标准评估基准和任务测试预训练模型能力，如问答、常识推理、翻译等，包括Open - Domain Question Answering、Winograd - style tasks等。

• 评估还涉及n - shot学习（零样本、单样本、少样本），通过提示技术提供监督样本，评估过程需NLP工程师和领域专家参与，从不同角度评估模型性能。

7. 偏见与毒性问题及应对

• LLM可能继承训练数据中的人类偏见，产生有毒语言或泄露隐私，需通过模型卡等方式分析记录风险。

• 可通过训练集过滤、修改，以及提示工程、微调、输出引导等方法在训练中和训练后减轻偏见。

8. 指令调整与强化学习

• 指令调整通过在指令任务集上微调预训练LLM，提高模型对指令的响应能力，减少对少样本示例的依赖，在多种任务中提升零样本性能，但需考虑数据集和预算，对推理任务可通过思维链示例改进。

• 强化学习通过人类反馈（RLHF）是指令调整的扩展，包含收集示范数据、比较模型输出、训练奖励模型和优化策略等步骤，如InstructGPT和ChatGPT通过RLHF在真实性和减少毒性输出方面有改进，但在部分下游任务有性能损失（对齐税），可通过相关技术最小化。

今天只要你给我的文章点赞，我私藏的大模型学习资料一样免费共享给你们，来看看有哪些东西。

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”。

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。

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】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。

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】