第一性原理大模型课程

算法工程师能力培养

▾ 第一部分 · 认知衔接

1 第 1 课：Transformer 回顾 2 第 2 课：Transformer 模型结构全景 3 第 3 课：现代 Transformer 的五大改造 4 第 4 课：Tokenization 机制 5 第 5 课：逐层解剖一个模型 6 第 6 课：从 Transformer 到 LLM 全景图

▾ 第二部分 · 训练范式

1 第 7 课：Scaling Laws 与算力预算 2 第 8 课：数据工程 3 第 9 课：预训练全流程 4 第 10 课：SFT 微调 5 第 11 课：对齐 6 第 12 课：推理模型与 RLVR

▾ 第三部分 · 训练与推理工程

1 第 13 课：分布式训练 2 第 14 课：显存账本与混合精度 3 第 15 课：KV Cache 与推理内存 4 第 16 课：量化与压缩 5 第 17 课：微调工程 6 第 18 课：推理引擎 7 第 19 课：大模型评测

▾ 第四部分 · Agent 工程

1 第 20 课：提示工程 2 第 21 课：从 Prompt 到 Agent 3 第 22 课：工具调用 4 第 23 课：MCP 协议 5 第 24 课：记忆与 RAG 工程化 6 第 25 课：规划与反思 7 第 26 课：多智能体与协议 8 第 27 课：Agent 训练 9 第 28 课：Agent 评测与生产化

▾ 第五部分 · 自主研究

1 第 29 课：自主研究全景与自主度分级 2 第 30 课：文献锚定与选题 3 第 31 课：假设、规划与搜索 4 第 32 课：长时程执行与状态 5 第 33 课：验证、复现与评审 6 第 34 课：报告、成本与责任

第 1 课

Transformer 回顾 — 从 BERT 到 GPT 的认知桥梁

0 / 6 卡片已完成

正在加载课程...