爆了，又爆了！DeepSeek大模型基础教程发布

lxl

最近 ZJU-LLMs（浙江大学数据库与大数据分析实验室）开源了一本超级硬核但又通俗易懂的教程《大模型基础》。在当下 DeepSeek、ChatGPT 引领的 AI 热潮中，这本教程可以说是给所有想了解、学习大模型的小伙伴送上了一份及时雨！
这本教程最与众不同的特点是什么？简单来说就是"接地气"。虽然大模型技术非常硬核，但作者团队别出心裁，用六种萌萌的小动物来串起了全书内容。这种创新的教学方式让原本枯燥的技术知识变得生动有趣，堪称"有趣又不失专业性"的典范。
那这本硬核教程具体都讲了些什么内容呢？文末附下载地址。
第 1 章：语言模型基础

第一章从语言模型的基础知识讲起，带你了解从最早的统计方法，到 RNN 时代，再到现在大火的 Transformer 架构。这就像是在讲述 AI 界的"进化史"，让你既能理解历史，又能把握现在。比如你知道为什么现在的大模型都离不开 Transformer 架构吗？看完这章，你就明白了。
第 2 章：大语言模型

这章可以说是全书最重要的内容之一。从"大力出奇迹"的理论基础讲起，解释了为什么大数据+大模型能带来质的飞跃。然后深入剖析了三大主流架构：

• Encoder-only：以 BERT 为代表，擅长理解任务
  
• Encoder-Decoder：以 T5 为代表，适合序列转换任务
  
• Decoder-only：以 GPT 为代表，善于生成任务
  

每种架构都有详细的技术原理讲解，包括预训练目标、模型结构特点等。特别有意思的是，书中还介绍了一些非 Transformer 的创新架构，让我们看到了更多的可能性。
第 3 章：Prompt 工程

第三章讲解 Prompt 工程，也就是怎么跟大模型"说人话"。这可能是最实用的一章了！从基础的上下文学习到高级的思维链（Chain-of-Thought）技巧，教你如何写出更好的提示词，让大模型真正理解你的需求。如果你经常使用 Deep Seek、ChatGPT，这章的内容绝对能让你的提示词水平提升好几个档次。
第 4 章：参数高效微调

面对动辄几百 GB 的大模型，如何高效地进行定制化训练？这章提供了完整的解决方案：

• LoRA 等参数附加方法：如何通过低秩分解来减少可训练参数
  
• Adapter 等参数选择方法：如何选择和冻结合适的参数层
  
• 低秩适配技术：如何在保持性能的同时大幅降低计算成本
  

特别值得一提的是，书中还介绍了许多实践经验，包括最佳学习率选择、不同方法的优劣对比等
第 5 章：模型编辑

这是一个非常前沿的领域，讲解如何精确地修改模型的知识。从早期的知识注入方法，到现代的 ROME（Rank-One Model Editing）等技术，书中详细介绍了各种编辑策略的原理和实现。特别是 T-Patcher 和 ROME 这两种方法的深入剖析，展示了如何在不影响模型整体性能的情况下，精确地修改特定知识点。这对于模型维护和更新来说极其重要。
第 6 章：检索增强生成

这章围绕着如何提升大模型的知识准确性展开。详细介绍了 RAG（检索增强生成）的完整技术栈：

• 知识检索：从向量数据库到语义搜索的技术实现
  
• 检索系统：包括稀疏检索、密集检索等不同方案
  
• 知识融合：如何将检索到的知识有效地整合到生成过程中
  

书中还探讨了如何构建高质量的知识库、如何优化检索精度等实践问题。
最后

作者团队承诺每月更新内容，及时跟进最新技术发展。每个章节还配备了详尽的论文清单，想深入研究的同学可以直接找到相关论文进行学习。这种持续更新的承诺，让这本教程不会很快过时，而是能够持续为读者提供价值。
如果你是：

• 对大模型感兴趣但不知从何入手的新手
  
• 想要深入了解大模型技术原理的开发者
  
• 需要在实际项目中应用大模型的工程师