成大事大模型实战训练系列
关注
分享
扫一扫
文章平均质量分 94
面向已掌握PyTorch基础的开发者，深入大模型应用开发的实战课程体系！
成大事AI
知名资深全能技术大咖，国产野生钢铁侠，新能源车载嵌入式、AI从业者成老师（叫我成大事就可以了），长期关注前沿技术与应用。主页有非常多而全面的学习笔记与文章专栏，一起学习与进步的小伙伴们提供文稿与图文素材，我作为主笔人的身份运营此账号。
好学习方法和学习笔记真的很重要，同样的工作年限可能能力天差地别，混十年的不一定比得上从业刚一年的，希望各位爱学习的学霸们，从我的博客笔记中学习到对你们有利的知识点，少走点弯路，节约各位搜集和整理系统知识点的时间成本和精力成本。
一定一定要相信自己，相信自己一定可以成为技术大咖，未来可期！不负韶华！
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
大模型实战训练（7）大模型评测与优化：性能提升30%+的秘密
这篇文章摘要如下： 《大模型评测与优化实战指南》是一篇全面介绍大模型性能优化的技术文章。文章从评测指标体系和优化技术两个维度展开，重点讲解了如何提升大模型推理速度、降低资源消耗并保证生成质量。 核心内容包括： 评测指标体系：详细介绍了BLEU、ROUGE、BERTScore等质量指标和延迟、吞吐量等性能指标 优化技术：涵盖模型量化、剪枝、蒸馏等方法，以及vLLM、TensorRT等推理加速框架 实践指导：提供完整的代码示例和环境配置指南 成本优化：分享降低GPU使用成本的实用技巧 文章采用"理论+原创 2025-10-23 11:30:12 · 620 阅读 · 0 评论 -
大模型实战训练（6）Prompt Engineering提示词工程：让大模型更聪明
摘要：Prompt Engineering提升大模型输出质量的关键技巧 本课程系统介绍了优化大模型输出的Prompt Engineering技术。通过对比案例展示，精心设计的Prompt可使输出质量提升50%+，任务完成度从60%提升至95%。课程涵盖四大模块：基础技巧（CLEAR法则）、进阶方法（Few-shot学习/思维链推理）、优化策略（模板库/A/B测试）和实战应用（内容生成/代码生成）。重点强调Prompt设计的三个层次，从简单提问到包含角色、要求、风格等要素的完整设计。原创 2025-10-23 11:27:11 · 671 阅读 · 0 评论 -
大模型实战训练（5）多模态大模型应用：图文音视频统一建模
多模态大模型应用实战摘要 本课程聚焦多模态大模型技术，重点讲解CLIP/BLIP等模型在图文理解、跨模态生成等场景的应用。课程内容涵盖： 核心原理：深入解析对比学习机制，通过图文特征对齐实现跨模态理解 关键技术：详解温度系数调节、相似度矩阵计算等核心实现细节 应用实践：包括图像描述生成、视觉问答、以图搜图等典型场景 发展脉络：梳理从早期特征拼接到大模型时代的演进历程 课程提供完整代码示例（含对比学习损失函数实现）和可视化分析，帮助开发者快速掌握多模态AI的核心技术和应用方法。原创 2025-10-23 11:04:59 · 400 阅读 · 0 评论 -
大模型实战训练（4）AI Agent智能体开发：从工具调用到自主规划
《大模型实战训练：AI Agent智能体开发》课程摘要 本课程系统讲解AI Agent开发全流程，重点覆盖三大核心能力：工具调用、任务规划和自主执行。课程从原理到实践，手把手指导学员构建真正的智能助手，内容包含： 1️⃣ 核心架构：详解Agent工作原理及主流框架（ReAct、ReWOO） 2️⃣ 关键能力：实现函数调用、多轮对话记忆、任务分解 3️⃣ 实战项目：开发多Agent协作系统，部署生产级应用 4️⃣ 技术栈：集成OpenAI/国产大模型API，结合向量数据库等工具链。原创 2025-10-23 10:10:55 · 426 阅读 · 0 评论 -
大模型实战训练（3）RAG检索增强生成系统：企业知识库实战
本文介绍了RAG（检索增强生成）系统的原理、优势及实现方法。RAG通过先检索相关文档再生成答案的方式，解决了大模型幻觉、知识更新滞后和私有数据访问等问题。文章对比了纯大模型、微调和RAG三种方案，详细说明了RAG系统的四大优势：准确性高、实时更新、成本低和可解释性强。同时提供了完整的RAG工作流程，包括文档加载、分块处理、向量化和存储检索等关键步骤，并给出了Python代码示例。最后指出RAG特别适合企业知识库建设，能有效处理PDF、Word等多种格式文档，构建智能问答系统。原创 2025-10-23 10:01:53 · 395 阅读 · 0 评论 -
大模型实战训练（2）大模型高效微调技术：LoRA/QLoRA实战指南
本文介绍了大模型高效微调技术LoRA/QLoRA的实战指南。主要内容包括： 技术原理：对比全量微调与参数高效微调（PEFT）的差异，LoRA通过低秩矩阵分解（ΔW=B×A）仅训练0.1%参数，显存需求降低99.6%。 核心优势： 16GB显卡即可微调7B模型 训练速度提升5-10倍 有效防止过拟合 技术实现：详细解析LoRA层的代码实现，展示如何将4096×4096矩阵分解为两个低秩矩阵（如8×4096和4096×8），参数量从1677万降至6.5万。 方法对比：分析LoRA/QLoRA与其他微调方法原创 2025-10-22 10:27:30 · 1435 阅读 · 0 评论 -
大模型实战训练（1）大模型基础与Transformers库入门
🎯 学习路线图🔧 第零部分：环境配置详解（手把手教学）0.1 Python环境搭建 🐍步骤1：安装Anaconda（推荐）步骤2：创建虚拟环境💡 为什么要用虚拟环境？步骤4：验证PyTorch安装预期输出示例：0.2 Transformers库安装详解 📦完整安装流程配置国内镜像（解决下载慢问题）🚀创建配置文件在项目根目录创建 文件：0.3 项目结构搭建 📁创建标准项目结构目录结构说明：完整的 requirements.txt安装所有依原创 2025-10-22 10:02:15 · 971 阅读 · 0 评论 -
大模型实战训练课程｜从入门到精通的完整路径
这篇大模型实战训练课程体系文章摘要如下： 该课程为12周系统化学习路径，面向具备PyTorch基础的开发者，分三个阶段： 基础篇（4周）：涵盖大模型基础、LoRA微调、RAG系统和Agent开发等核心模块 进阶篇（4周）：深入多模态应用、Prompt工程、模型优化与安全对齐等高级主题 实战篇（4周）：通过智能客服、企业知识库和AI助手三大商业级项目巩固技能 课程特色包括项目驱动学习、完整工程实践、前沿技术覆盖和系统化知识架构。配套提供代码仓库、数据集、模型文件和部署脚本等资源，建议每周投入20+小时原创 2025-10-22 09:29:44 · 1323 阅读 · 0 评论