第5章：LLM基础

版本： v3.0 最后更新： 2026-05-30

在线 Notebook

对应的交互式版本可在 Google Colab 打开，统一使用方式见 第0章说明。

章节概览

本章回答一个核心问题：LLM 是怎么从文本数据训练成可用助手的？

本章主线不是记住模型名称，而是理解一条训练闭环：分词 → 预训练 → 数据配比 → 基础模型 → 微调 → 对齐 → 评估。模型家族放在这条链路中作为案例，用来解释不同训练选择如何影响能力、成本和可用性。

快速导航

章节	文件	难度	时间
5.1 预训练	01_pretraining.md	⭐⭐	15分钟
5.2 训练数据	02_training_data.md	⭐⭐	10分钟
5.3 主流模型家族	03_model_families.md	⭐⭐	10分钟
5.4 微调	04_finetuning.md	⭐⭐⭐	15分钟
5.5 强化学习对齐	05_rl_alignment.md	⭐⭐⭐	15分钟
5.6 模型评估	06_evaluation.md	⭐⭐⭐	10分钟

小节目录

训练流程（5.1-5.2）

5.1 预训练 — 📖 阅读

• Tokenization 与 BPE：文字如何变成数字
• Token Embedding：从离散符号到连续向量
• Decoder-only 架构为什么赢了
• 预训练目标：下一词预测
• Scaling Laws 与涌现能力
• GPT 系列演化

5.2 训练数据 — 📖 阅读

• 数据来源与流行数据集（Common Crawl、The Pile、Alpaca、HH-RLHF）
• 数据清洗：去重、质量过滤、有害内容过滤
• 数据配比对模型能力的影响
• 数据质量、覆盖范围与配比（Phi 系列的启示）

基础模型与适配（5.3-5.4）

5.3 主流模型家族 — 📖 阅读

• 模型家族作为训练路线和工程取舍的案例
• GPT / LLaMA / Qwen / Mistral / DeepSeek / Claude / Gemini 的演化主线
• 开源 vs 闭源：能力、隐私、成本、可控性和维护责任

5.4 微调 — 📖 阅读

• SFT：指令微调的原理
• LoRA：低秩分解降低微调成本
• 如何选择基础模型与微调策略
• 对齐 SFT vs 任务微调的区别

对齐与评估（5.5-5.6）

5.5 强化学习对齐 — 📖 阅读

• 为什么预训练模型不能直接用
• 奖励模型：量化人类偏好
• RLHF：PPO 优化奖励
• DPO：更简单的对齐方法

5.6 模型评估 — 📖 阅读

• 为什么评估 LLM 很难
• 主流 Benchmark（MMLU、HumanEval、GSM8K、MT-Bench）
• 人工评估与 Chatbot Arena
• Goodhart's Law：Benchmark 刷分问题

学习时间

• 快速版（仅阅读正文）：40分钟
• 标准版（包含代码实验）：75分钟
• 完整版（包含扩展内容）：120分钟

核心问题

完成本章后，你应该能回答：

1. Tokenization 解决了什么问题？BPE 的核心思想是什么？
2. 预训练如何让模型从无标注文本中学到知识？
3. Scaling Laws 告诉我们什么？Chinchilla 定律的实践意义？
4. 训练数据的质量和配比如何影响模型能力？
5. 为什么模型家族应该作为训练路线案例，而不是学习结构中心？
6. SFT 学到的是知识还是行为模式？
7. LoRA 为什么能大幅降低微调成本？
8. RLHF 和 DPO 有什么区别？
9. 如何评估一个 LLM？Benchmark 的局限是什么？

代码实验

本章共有 9 个代码脚本，覆盖 BPE 分词、Scaling Laws、自回归生成、训练数据分析、模型家族演化、LoRA 可视化、RLHF 流程、评估基准对比，以及 LLM API 调用。

小节	脚本	内容
5.1	bpe_tokenization.py	BPE 算法实现，展示词表合并过程
5.1	scaling_laws.py	幂律拟合（真实数据），涌现能力可视化
5.1	autoregressive_generation.py	5种采样策略对比（temperature/top-k/top-p）
5.2	training_data_composition.py	数据构成饼图、各阶段数据量、Phi 效率对比
5.3	model_families_evolution.py	模型家族时间线气泡图、开源 vs 闭源对比
5.4	lora_visualization.py	LoRA 矩阵分解原理、rank vs 误差、参数量对比
5.5	rlhf_pipeline.py	对齐前后奖励分布、PPO 训练曲线、RLHF vs DPO
5.6	benchmark_comparison.py	主流模型基准对比、Chatbot Arena ELO 排行
5.1-5.5	llm_api_demo.py	API 调用、ICL 演示、Prompt 对比（需 API Key）

推荐学习路径

路径1：快速入门（40分钟）

• 阅读 5.1-5.3 的正文
• 理解分词 → 预训练 → 数据 → 基础模型的主线
• 重点：Scaling Laws、数据配比、开源/闭源取舍

路径2：标准学习（75分钟）

• 阅读所有正文（5.1-5.6）
• 运行 BPE、Scaling Laws、LoRA 实验
• 回答"核心问题"中的 9 个问题

路径3：深度学习（120分钟）

• 阅读所有正文和扩展内容
• 深入理解 RLHF/DPO 的数学细节
• 阅读 GPT-3、LLaMA、Chinchilla 原始论文

关键概念速查

概念	核心思想	章节
BPE	字节对编码，在字符和单词之间取平衡	5.1
Decoder-only	因果掩码 + 自回归生成，训练目标统一	5.1
Scaling Laws	性能 ∝ 模型大小/数据量/计算量的幂律关系	5.1
Chinchilla 定律	最优数据量 ≈ 20 × 参数量	5.1
涌现能力	规模超过阈值后突然出现的新能力	5.1
数据配比	不同来源数据的比例影响模型能力	5.2
SFT	用指令-回答对微调，调整行为模式	5.4
LoRA	低秩适配器，只训练 0.1-1% 参数	5.4
RLHF	奖励模型 + PPO，用人类偏好优化模型	5.5
DPO	直接从偏好数据训练，不需要单独奖励模型	5.5

常见问题

Q: Tokenization 为什么不直接用字符或单词？ A: 字符级序列太长（注意力计算代价 O(n²)）；单词级词表太大且无法处理新词。BPE 在两者之间取平衡。

Q: 预训练模型和微调模型有什么区别？ A: 预训练模型学到通用语言能力，微调模型在此基础上适配特定任务。对齐（SFT/RLHF）是特殊的微调，目的是改变行为模式而非适配任务。

Q: 开源模型和闭源模型哪个更好？ A: 取决于需求。闭源 API 通常验证快、能力上限高；开源模型可控性更强、数据可留在本地，也更适合定制和私有部署。

Q: RLHF 和 DPO 哪个更好？ A: DPO 更简单（不需要单独训练奖励模型），但 RLHF 在某些场景下效果更好。实践中两者都在使用，DPO 因为简单而越来越流行。

Q: Benchmark 分数高就代表模型好吗？ A: 不一定。Benchmark 可能被刷分（数据污染、针对性优化）。需要结合多个 Benchmark 和人工评估（Chatbot Arena）综合判断。

扩展内容

LLM 训练深度细节 — 📖 阅读

• 预训练的具体过程（数据准备、分词、训练配置）
• Scaling Laws 的数学基础
• 涌现能力的机制与 LLM 的局限

对齐训练深度细节 — 📖 阅读

• PPO 在 RLHF 中的 4 步循环与 clip 操作
• KL 散度约束的数学含义与 β 系数
• DPO 完整数学推导（Bradley-Terry 模型）
• GRPO 与 o1 风格推理强化学习

微调方法调研 — 📖 阅读

• LoRA 变体（QLoRA、AdaLoRA、DoRA）
• Prefix Tuning、Adapter、Prompt Tuning
• 各方法对比表与选择指南

评估方法调研 — 📖 阅读

• 主流 Benchmark 详解
• 人工评估流程与 Chatbot Arena 机制
• 中文评估（C-Eval、CMMLU）

推理机制优化 — 📖 阅读

• KV Cache：为什么自回归生成需要缓存
• Flash Attention：IO 复杂度分析
• 量化原理（INT8/INT4）

信息论基础 — 📖 阅读

• 熵、交叉熵、KL 散度的数学基础
• 与 LLM 训练目标的联系

关键连接点

Transformer → LLM 训练流程

第4章：Transformer 架构
    ↓ decoder-only + 因果掩码
预训练（5.1）：在海量文本上预测下一词
    ↓ 数据质量与配比（5.2）+ 计算预算
基础模型（5.3）：不同训练路线和工程取舍
    ↓ SFT / LoRA / 任务适配（5.4）
对齐后的模型
    ↓ RLHF/DPO（5.5）
可用的 LLM 助手
    ↓ 评估（5.6）
验证效果，指导下一轮训练

---

下一章： 第6章：LLM应用