本文深入探讨了如何通过模型后训练提升 AI Agent 的能力，特别是在处理复杂任务如代码修复时。文章首先分析了预训练、继续预训练、监督微调和强化学习等不同训练方法及其适用场景，强调了根据任务需求选择合适的训练策略的重要性。接着，详细阐述了如何利用示范（SFT）和强化学习（RL）来改进模型的行为，并讨论了奖励设计、环境构建和蒸馏技术等关键因素。最后，通过具体案例展示了如何将失败经验转化为有效的训练问题，并强调了训练工程中的细节，如在线与在轨训练的对比、参数一致性等。整体而言，本文为开发更高效、更可靠的 AI Agent 提供了全面的指导。

---

设想一个代码修复任务：让 Coding Agent 修改导入程序，使它能够处理空文件。

它读了代码，加上一段判断，随后回复“已经修复”。但测试没有运行，另一个读取入口也没有检查。你提醒它继续，它才发现补丁只处理了一半。

上一篇讨论评估时，我们用运行轨迹查出失败，再把它做成回归用例。如果同类错误反复发生，怎样让模型更容易选择“继续验证”，并把这个习惯带到新的任务里？

提示词可以提醒，程序可以限制结束条件。模型后训练则会更新参数，改变模型面对类似上下文时，各种回答和动作出现的概率。

李博杰《深入理解 AI Agent》的第八章讨论的就是这件事。从继续预训练、监督微调到强化学习和蒸馏，它们使用的材料不同，给模型的学习信号也不同。理解这些差别，才能判断一次失败到底值得怎样训练。

一、先看全景：训练究竟改变了什么

语言模型每生成一个 token，都会根据已有上下文，为可能的下一个 token 分配概率。token 是模型处理文本的基本单位，可以是一个字、词的一部分，也可以是符号。

比如工具调用写到文件路径时，模型会继续生成路径字符；程序返回测试失败后，它又要在分析错误、继续修改和结束任务等后续行为之间作出选择。这些长动作，最终都由一连串 token 组成。

训练通过调整参数改变这些概率。训练程序先计算“当前行为离目标有多远”，再求出参数怎样变化能减小这个差距；这个调整方向称为梯度，优化器负责执行更新。

能力开发中常见的四个环节，可以从它们分别看什么材料来区分。

预训练让模型阅读大规模文本、代码等数据，学习语言与知识之间的规律。Mid-training 通常沿用语言建模目标，继续学习目标领域的材料。SFT 让模型模仿经过挑选的回答和操作示范。RL 则让当前模型尝试完成任务，根据奖励调整行为。

它们的边界并非绝对：SFT 也能学入事实，RL 也可能过拟合，继续预训练也会影响行为。区分它们，是为了看清主要训练信号，避免把各种方法理解成同一个按钮的不同力度。

这也不是每个项目都要从头走完的流水线。使用现成模型时，前面的训练通常已经由模型提供方完成；应用团队需要判断的是，现有能力还缺什么。

二、从经典强化学习到语言模型 Agent

动作、奖励和策略怎样联系起来

想象一个寻宝游戏。角色看见锁着的门，可以找钥匙、换条路，也可以继续推门。环境根据动作改变状态，最后找到宝物就给奖励。

“在什么情况下选什么动作”的规则叫策略。价值函数则估计：从当前局面继续行动，未来大致能获得多少回报。找到钥匙这一刻未必立即得分，但它能让后续开门成为可能，所以不能只按眼前奖励判断动作好坏。

小型问题可以用表格记录“某个状态下，某个动作有多好”。Q-learning 就属于这类方法的经典起点：每次交互后，结合实际奖励和下一状态的价值，修正原来的估计。

语言模型 Agent 同样处在“观察、行动、反馈”的循环里。差别在于，它能把文字和工具参数组合成很长的动作，而且已经从预训练中获得大量知识。看到“权限不足”，它可能知道该检查授权；看到堆栈信息，它可能知道从哪里定位错误。

因此，训练 Agent 时经常是在已有理解能力上改善决策。模型是否理解问题，环境能否提供有效反馈，会直接影响试错能否带来进步。

会在上下文里纠错，不等于参数已经更新

一次任务里，Agent 读到报错后换了方案，可能只是利用了新上下文。把经验写进外部记忆，也是在下次调用时补充输入。

只有训练程序根据样本计算损失并更新权重，经验才通过后训练进入参数。产品让 Agent 连续跑了一百个任务，并不意味着它已经自动训练了一百次。

三、预训练留下了哪些能力

预测下一个 token，怎样形成有用的知识

训练语言模型时，可以把一段文本的前半部分作为输入，用实际出现的后续 token 作为目标。模型若给正确 token 的概率太低，损失就会增大。

在大量材料上重复这个过程，模型会学到语言结构、概念关联和代码模式。它要预测函数下一行，往往需要利用前面的变量和控制流程；要续写一段解释，也需要利用上下文中的事实关系。

但能续写文本，并不自动意味着能按用户要求回答。问句后面可能是答案，也可能是另一个问句。指令、角色和工具调用的约定，还需要相应训练数据来建立。

图片怎样进入同一套学习过程

原章还用视觉语言模型解释了多模态训练。一个常见结构包含视觉编码器、连接视觉与语言表示的投影层，以及语言模型。

图像先变成视觉特征，再经投影层转换成语言模型可以利用的表示。训练可以先只调整连接部分，再按任务需要联合调整其他组件。

这与上一篇记账案例呼应：模型具备视觉能力是一件事，实际请求有没有把图像送进去是另一件事。输入通道缺失时，训练无法替代那张没有送到的图片。

四、Mid-training：补充领域知识，也补充基础能力

为什么读领域材料，与背问答不完全一样

假设要让模型处理一种陌生的工程协议。几条问答能教它回答常见问题，但协议中的术语、异常条件、跨章节依赖，可能需要更广泛的材料才能学到。

Mid-training，也常被称为继续预训练，会在已有模型上继续进行语言建模。训练材料可以是领域文档、代码和经过整理的推导，通常对整段材料中的大量 token 计算损失。Don’t Stop Pretraining研究了领域与任务相关语料上的继续预训练。

原章的新语言案例采用了类似分工：先用目标语言语料继续训练，再用指令样本教模型怎样以这门语言接受请求、组织回答。前一步提供语言材料，后一步提供交互示范。

数据配比也会影响原有能力。训练越来越偏向新领域时，通用任务可能退化，这就是灾难性遗忘的一种表现。混入保留数据、控制学习率，并同时检查领域任务和通用任务，可以帮助发现这种变化。

能装下长文，和能读懂长文

长上下文也有同样的问题。接口允许输入很长的文本，只说明模型能接收这种长度；它是否还能从中找出信息、跟踪关系、遵循指令，需要另外测量。

可以把同一项任务逐渐放进更长的上下文，增加干扰信息，改变证据位置。例如先从一页日志找错误，再从几十页日志里把相同错误与前面的配置变化对应起来。

训练中混入短任务和前一阶段的任务，评估时同时看不同长度下的检索、推理和工具选择，才能看出模型是否用短任务的退化换来了长窗口上的局部进步。

并非所有知识都适合写进参数。实时库存、订单状态、经常变化的制度，仍适合通过检索或工具获取；需要给出出处、按权限访问或删除的内容，也更容易在外部知识系统中管理。

五、SFT：用示范教会模型怎样回答和行动

损失算在哪里，决定它模仿什么

监督微调 SFT 的常见做法，是提供“输入和理想输出”，继续训练模型预测下一个 token。

一条代码修复示范可能包括用户请求、工具说明、模型读取文件的调用、工具返回、修改操作和最终回复。训练时，输入和工具返回可以留在上下文里，但通常只把模型应该生成的部分作为学习目标。这叫损失屏蔽，也就是 loss masking。

工具返回的报错可以帮助模型决定下一步，却不需要让模型学着假扮工具生成这段报错。多轮数据的角色边界因此很重要。

对输出 JSON、选择工具、使用固定术语或保持某种表达风格，SFT 能提供直接而密集的监督。每个目标 token 都告诉训练程序：“在这个上下文下，示范选择了什么。”

示范的质量也会直接进入模型。如果成功日志里经常省略验证步骤，模型就可能把这个省略学进去；如果所有样例都采用同一种措辞，它也容易把表面形式当作任务规律。

语音、语言和蒸馏，都是不同形式的示范

原章的语音例子把说话者风格、笑声或叹气等表达方式纳入训练；多语言例子则训练模型按指定语言组织输出。二者都依赖模型已有的相关表征，再通过示范学习控制方式。

蒸馏也可以通过 SFT 完成。教师模型使用完整规则和较多计算生成答案，学生学习经过筛选的输出，尝试用更低的推理开销完成相近任务。

如果只保留最终答案，学生学的是直接作答；如果保留适合公开使用的推导和工具轨迹，它还可以学习中间步骤。两类数据适合的任务不同。依赖实时搜索才能得到的事实，不能因为被蒸馏过，就被当作永远有效的参数知识。

LoRA 则是降低参数更新开销的一种方式：冻结原有权重，训练较小的低秩增量。它可以配合 SFT，也可以配合其他训练目标。更新参数少不等于没有遗忘，模型行为仍需要复测。LoRA 论文

六、SFT 数据怎样从日志变成可训练的轨迹

直接把全部线上日志交给训练程序，会把错误、偶然路径和重复模板一起带进去。

更有用的做法，是先提炼任务结构。以空文件导入为例，结构包括：用户要修什么、代码从什么状态开始、有哪些工具、哪些文件不能修改，以及怎样验证修复成功。

随后可以生成不同的代码片段、文件格式和边界条件，在可重置环境里让教师模型或当前模型多次尝试。验证通过的候选才进入示范集。这种“生成多条，再筛掉错误候选”的过程称为拒绝采样；用筛选结果做监督训练，就是拒绝采样微调。

这里有两层检查。先确认题目可完成、目标没有矛盾；再检查轨迹确实满足任务要求。测试通过但违规修改了测试文件的轨迹，就不能算作合格示范。

失败记录也有用，只是用途不同。它可以帮助补充题目、标出容易出错的决策，或与正确行为组成偏好对。未经修正的错误动作不适合直接当成理想输出让模型模仿。

训练与测试的隔离应在合成之前规划。把同一个模板里的名字换掉，再随机拆分，测到的仍可能是对熟悉模板的适应。按任务族、来源或时间隔离，可以更清楚地检查迁移能力；常规业务测试和更难的分布外测试，则分别回答不同问题。

七、什么时候值得进入强化学习

假设模型面对空文件问题，十次里只有一次能完整修好。另一个模型十次都失败，但失败原因可能完全不同：一个输出格式经常解析不了，一个始终看不懂目标语言，还有一个根本拿不到相关文件。

只看成功率，无法决定训练方法。

观察到的现象	更值得先检查的方向
相关内容没有进入上下文，工具执行异常	输入通道、工具与运行系统
内容已给齐，领域概念仍普遍理解错误	基础模型选择、领域语料与继续预训练
解法有时正确，格式或固定流程不稳定	SFT、接口约束与示范质量
能产生有效候选，但好策略出现得太少	RL、拒绝采样或蒸馏

上一章的 Pass@k 在这里提供了一条线索：固定任务和采样条件，多试几次能否出现正确解？如果单次表现不好，多次尝试却能找到成功轨迹，就有可供放大的行为。

如果合理预算内始终没有成功，还要继续分辨：是任务太难、格式不对、奖励失效，还是环境有问题？全零奖励只描述这批尝试的结果，不能单独证明模型永远学不会。

RL 也不要求一律先做 SFT。DeepSeek-R1-Zero展示了从已有基础模型直接进行 RL 的路线；在输出协议尚不稳定的任务里，先用示范建立可执行行为，则更容易获得有效反馈。

训练顺序取决于进入下一阶段时，模型已经能做什么。

八、单轮 RL：为什么有时比继续模仿更容易迁移

同一道题，两种优化目标

SFT 会提高示范答案中各个 token 的概率。RL 则根据模型自己生成的结果获得奖励，再改变这些行为出现的概率。

原章引用的 GeneralPoints 研究，用类似“24 点”的卡牌任务比较两者。训练与测试之间会改变牌面数值规则，视觉任务还会改变花色。这样可以区分模型是在沿用熟悉模式，还是能按照当前规则重新计算。原论文

在这组设置中，继续 SFT 的模型出现分布外退化，RL 分支迁移得更好。一个合理解释是：有限示范容易强化固定模式，而结果验证可以奖励重新计算得到的正确解。

但这不是“SFT 只能记忆、RL 一定泛化”的定律。多样示范可以支持泛化，错误奖励也能把 RL 引向捷径。我们更应该关心，训练数据里有哪些变化，以及评分是否奖励了真正需要的行为。

思考多久，也可以成为训练目标

AdaptThink 讨论的则是另一种选择：一道题值不值得花更多计算？

若所有请求都走很长的推导，简单问题会增加等待；若全部直接作答，难题又容易出错。训练可以鼓励模型在质量约束下选择较短路径，把更多计算留给有需要的任务。

原章保存的实验记录显示，一些数据集的响应明显缩短，但并非每项准确率都提高，完整训练也没有按计划结束。它支持研究这种选择机制，不支持“跳过思考普遍更好”的结论。评估仍要把质量、长度和完成状态分开报告。

九、从多次尝试，到一次参数更新

用一个小例子理解 GRPO

回到空文件导入任务。下面是一个假设的训练批次：把相同代码复制到八个隔离环境，让当前模型分别修复八次。

每次从请求开始，经历读文件、改代码、运行测试，直到结束；这样的一整条执行轨迹叫 rollout。生成有随机性，因此同一任务也会出现不同方案。

设其中两条通过验收且没有违规，其余六条失败。用最简单的二元奖励，前两条记 1，后六条记 0，这组的平均奖励就是 0.25。

GRPO 用同一任务的多个候选相互比较。若暂时只减去平均值，成功轨迹高出 0.75，失败轨迹低于平均值 0.25。常见实现还会按组内标准差进行归一化；比较得到的相对信号叫优势。

训练程序用这些优势构造损失，在整批任务上调整参数，让高优势轨迹中的选择更容易出现。下一轮再由更新后的模型生成轨迹，继续验证和更新。GRPO 的原始工作：DeepSeekMath

如果八条全失败，且奖励全为 0，组内就没有好坏差异。全成功也一样：只看相同的终点分数，无法区分谁更好。这时来自该组奖励的相对学习信号消失；训练中的其他正则项则可能仍然起作用。

可达的部分进展、合适的任务难度，可以让同组尝试产生奖励差异，重新提供比较信号。

PPO、GRPO 和 DPO，分别在比较什么

PPO 的常见实现会训练价值模型，估计某个状态下通常能拿到多少回报，再用实际结果与估计值的差异指导策略。GRPO 用同题候选的组内比较构造基线，省去了单独的价值模型。

两者常用概率比和裁剪目标抑制过大的单次更新。这里的裁剪是限制优化目标中的收益，并不保证模型的所有变化都被硬性限制在某个范围内。PPO 论文

DPO 的标准离线做法则从现成偏好对学习：同一个输入下，一个回答更好，另一个更差。它不需要在每次更新时让当前模型重新跑出完整环境轨迹，也不显式训练单独的奖励模型。DPO 论文

因此，没有交互环境、但已有可靠偏好数据的任务，也能开展后训练。

十、RL 环境：让任务能够反复发生

评估能跑一次，训练要跑很多次

评估环境能重现问题并判定结果，已经很有用。训练还会要求高频重置、并行运行，以及稳定处理失败。

代码修复可以在隔离工作区开始，完成后检查补丁，再销毁环境。客服任务需要同时维护账户状态和用户状态。工具训练还要处理调用顺序、超时、错误返回及状态依赖。

如果每次重置都残留上一次的修改，模型后面的成功可能来自前一个任务留下的便利。环境是否干净，会直接影响训练信号。

吞吐也不只由 GPU 决定。模型可能几秒生成完补丁，测试却需要几分钟；长轨迹还可能让同一批中的其他任务等待。生成、工具执行、验证和参数更新，任何一个环节都可能成为瓶颈。

能否让另一个模型扮演环境

可以让模型生成搜索结果、扮演用户，甚至预测某个动作后的状态变化。ZeroSearch 就研究了用模拟检索反馈训练搜索行为的路线。ZeroSearch 论文

这能降低真实交互成本，但模拟器也会带入自己的偏差。若它总返回相关材料，Agent 就缺少处理无效搜索的练习；若模拟用户总能理解含糊指令，客服策略也可能在真实用户面前失效。

生成自然的回复并不等于维护了正确的世界状态。对可执行的业务规则，可以保留代码状态机与确定性检查；模型负责更难穷举的语言变化，再用真实环境样本校准。

训练环境和评估环境可以复用基础设施，具体任务和隐藏答案仍需要隔离。

十一、多轮任务：最后的成功，该归功于哪一步

单轮数学题可以生成答案后立即验收。多轮 Agent 则要在中途不断决策，最终结果可能很久以后才出现。

空文件修复成功，可能得益于一开始复现问题，也可能得益于后来发现第二个入口。最终一个“通过”，没有直接指出每个动作的贡献。把延迟反馈分配给早期选择，就是信用分配问题。

原章用城市街景导航和机器人操作展开这件事。导航需要依据新观察修正路线，不能只背熟训练路径；机器人有时可以从成功与失败中发现示范以外的动作，但探索可能需要很多次尝试。

工具使用把相同问题带到软件世界。ReTool 让模型在推导过程中调用代码解释器，读取运行结果，再继续计算或纠错。它先用示范建立基本的工具交互方式，再根据任务结果进行 RL。ReTool 论文

这类训练要同时学习“是否调用”“调用什么”和“怎样利用返回值”。工具调用次数多不等于策略好，次数少也不等于高效：一次必要的计算可能避免很长的错误推导。

训练轨迹里还夹着环境生成的文本。与 SFT 类似，计算策略梯度时通常只针对模型自己生成的部分，工具反馈则作为后续决策的上下文。

十二、奖励怎样表达真正的目标

奖励从哪里来

能运行测试、核对数据库状态或检查数学答案的任务，可以采用可验证奖励，常被称为 RLVR。它的优点是结果容易重复检查，但检查范围仍然有限：测试漏掉的行为，也可能成为策略利用的空隙。

回答是否清楚、是否符合偏好等开放问题，可以由人工比较、奖励模型或模型评审提供反馈。RLHF 的常见路线是先学习人类偏好，再用奖励模型指导策略；生成式评审还可以给出理由和诊断。

解释写得详细，不代表评分就可靠。评审是否对着证据判断，是否遗漏重要要求，仍需要校准。

结果奖励与过程奖励

只在最后判断任务是否完成，叫结果奖励。它给不同解法留下空间，却可能让很长的失败轨迹都得到同一个零分。

过程奖励在中间提供信号，例如某个必要条件已满足，或某次工具调用违反了规则。它能帮助学习，也可能把设计者喜欢的流程错当成唯一正确路线。

以修复程序为例，“运行了测试”是一个可观察动作，但测试可以毫不相关，也可能被重复执行来刷分。因此，过程信号需要对应有意义的状态变化，不能仅按动作数量累加。

结果与路径要分别检查

如果 Agent 修改了测试，把失败条件删掉，测试表面上也会通过。只给终点成功分数，就没有表达“通过什么方式完成”的要求。

RLVP 研究的是把结果奖励与可验证的路径信号结合起来，例如对明确的违规动作扣分。RLVP 论文

对成本、完整性和合规性分别评分，可以更清楚地观察取舍；训练时可能再把各项组合成标量。不可补偿的违规也可以直接作为无效条件，而不是让速度分把它抵消。

惩罚同样需要出口。只奖励“不犯错”，模型可能学会少行动；只惩罚提前结束，又可能学会永远验证。结果目标、可达的正确路径和正常结束的样本，需要一起进入设计。

十三、蒸馏：让一次尝试提供更多信息

学生走错之后，教师示范未必覆盖那个位置

离线蒸馏通常先由教师生成完整答案，再让学生学习。数据很密集，但学生部署后可能在第三步就走偏，进入教师示范里从未出现的状态。

在轨蒸馏换了顺序：先让学生自己生成轨迹，再让教师评价学生实际到达的上下文，提供更细的学习信号。这里“在轨”说的是状态前缀由当前学生产生。

Thinking Machines Lab 的实现，会计算教师对学生所采样 token 的概率，用师生之间的概率差构造逐 token 信号；并不要求每次都返回整个词表的分布。On-Policy Distillation

对很长的 Agent 任务，这种反馈可能比最终一个成败分数更具体。不过，教师查询增加计算成本，教师也可能判断错误。它是否划算，要同时看环境交互有多贵、教师有多可靠。

没有更强教师，还能怎样提供信息

在轨自蒸馏的一类做法，让同一个模型承担两种角色：学生只看问题，教师在训练时还能看到标准答案或已验证材料。

教师不一定参数更多，但上下文更充分。它可以据此帮助学生判断下一步，学生则在没有这些额外信息的输入条件下学习。Self-Distilled Reasoner

额外材料只出现在训练的教师侧；如果答案混进学生输入或测试上下文，测到的就不是预期的独立解决能力。模型拿着答案仍无法给出可靠指导时，自蒸馏也没有凭空增加可信知识。

十四、训练工程：同一份权重，也可能产生不一致的概率

在线与在轨，差在谁生成了数据

在线训练表示数据在训练过程中持续产生。在轨训练还要求：生成这些数据的策略，与当前要优化的策略相同或足够接近。

异步集群里，训练节点已经更新，生成节点还在使用旧权重；数据虽然刚刚生成，也可能来自落后的策略。重用旧轨迹同样会引入这种差异。

一些算法用重要性比率修正：比较当前策略与采样策略赋给同一动作的概率。偏离越大，修正往往越难稳定。提高数据复用率能节省生成开销，但收益需要与这种代价一起衡量。

参数相同，计算过程仍可能不同

推理引擎和训练引擎可能采用不同精度、批大小或计算内核。同样的输入与权重，也可能算出略有差异的 token 概率。Thinking Machines Lab 对推理非确定性的研究展示了批次相关数值差异及其对 RL 的影响。研究文章

因此，正式更新前，可以用同一批轨迹比较采样端与训练端的概率。模型版本、分词器、对话模板、LoRA 和位置编码配置，也都属于需要对应的条件。

训练曲线突然恶化时，奖励设计和学习率值得检查，生成与训练是否对齐也值得检查。只看“加载的是同一个模型”，信息还不够。

十五、把三个具体失败，变成三种训练问题

过早结束：学习什么时候继续，什么时候收尾

开头的 Agent 修了一处代码就结束，可以截取它准备收尾时的上下文。较差行为是没有依据地宣称完成；较好行为是继续检查尚未覆盖的入口，执行相应验证，再报告结果。

经过验证的行为可以成为 SFT 示范，两种候选也可以构成 DPO 偏好对；完整任务若有可靠验收环境，还可以进入 RL。

评估则需要两个方向：尚未完成时能否继续，确实完成时能否正常结束。否则，提前收尾变少了，任务却可能变成无休止的重复检查。

中文引号：学习编辑范围

“把中文文章的直引号改成弯引号”，在自然语言段落里通常合理，放进 JSON 字符串或代码语法里就可能破坏文件。

训练示范需要同时覆盖应修改和应保留的上下文，让模型先判断作用范围，再生成最小编辑。评估也要分别统计两类结果，不能只检查目标标点出现了多少次。

这里训练的是边界判断。解析器和语法检查仍然可以继续承担确定性验证。

精确复制：先找到字符串在哪一层变了

文件编辑工具常要求模型提供与原文完全一致的 old_string。空格、换行或反斜杠差一点，匹配就会失败。

不过，差异可能早于模型输出出现：读取文件、序列化、拼接上下文、分词与解码，都可能改变内容。只有确认模型收到的原文正确，而错误首次出现在模型生成处，才能把它当作模型复制问题来训练。

这样的数据适合按逐字节一致性验证。语义接近没有用，工具需要的是准确字符串。反过来，如果定位机制本身能避免让模型抄写大段原文，改工具也可能更直接。

三个案例的评分方式各不相同：一个看结束决策，一个看作用范围，一个看逐字保真。失败归因越具体，训练目标才越容易写清楚。

十六、从小规模训练，回到真实交付

一次后训练实验可以从很小的范围开始：固定模型和任务分布，保留独立评估集，再检查增加的语料、示范或奖励是否真的针对已有问题。

继续预训练时，领域能力的提升需要与通用能力一起看；SFT 时，训练损失下降需要对应到未见样本的改善；RL 时，奖励上涨需要与独立验收结果对应。格式解析率、成功率、成本和完成时间，可以帮助发现“一个指标变好，另一个环节变差”。

实际系统往往组合多种方法。检索提供新事实，上下文提供当前任务状态，程序保障明确约束，参数训练改善理解与决策，蒸馏再尝试降低推理开销。

再看那次空文件修复。训练后的 Agent 是否真的更可靠，不取决于它有没有学会一句“我会先验证”。换一个导入入口、换一种文件格式，它是否仍能发现未完成部分，执行有关检查，并在工作做完后准确收尾，才是这一轮训练需要回答的问题。

AI大模型从0到精通全套学习大礼包

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

只要你是真心想学AI大模型，我这份资料就可以无偿共享给你学习。大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

如果你也想通过学大模型技术去帮助就业和转行，可以扫描下方链接👇👇
大模型重磅福利：入门进阶全套104G学习资源包免费分享！

01.从入门到精通的全套视频教程

包含提示词工程、RAG、Agent等技术点

​

02.AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

​

03.学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

04.大模型面试题目详解

05.这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓