349分钟
AI大模型核心技术全景解析
你是否面临这些AI技术挑战？ 面对大模型技术快速发展，难以系统掌握从基础到前沿的核心原理？ 在NLP任务中，对分词、注意力机制等关键技术理解不深入，影响模型效果？ 缺乏对GPT、DeepSeek等主流…
你是否面临这些AI技术挑战？
面对大模型技术快速发展，难以系统掌握从基础到前沿的核心原理？
在NLP任务中，对分词、注意力机制等关键技术理解不深入，影响模型效果？
缺乏对GPT、DeepSeek等主流模型的实践指导，难以高效调参和应用？
这些问题直接关系到AI项目的开发效率与效果，而本课程将帮你系统解决这些问题。
本课程由互联网大厂高级算法工程师“数知客”导师亲授，她拥有：
智能体、广告算法、搜索推荐等多领域实战经验
5项发明专利及北京市人工智能中级职称
畅销书《基于NLP内容理解》作者，人民邮电出版社专家顾问
课程三大核心模块
1. 大模型基础技术解析
Tokenization原理与实践：BPE、WordPiece、SentencePiece算法对比
Transformer架构详解：Self-Attention、多头注意力机制实现
位置编码演进：从绝对位置编码到RoPE的数学推导
2. 生成模型调优与应用
GPT技术原理：预训练、微调与提示工程实践
生成参数调优：Top-K、Top-P采样及Temperature参数联合调控
行业场景适配：代码生成、创意写作、对话系统的Prompt设计技巧
3. 前沿模型架构剖析
DeepSeek-V3混合专家模型（MoE）：稀疏激活与动态路由实现
逻辑推理优化：奖励模型与排序模型的协同训练方法
开源生态实践：Qwen模型的中文优化与多模态扩展
无论你是算法工程师、技术负责人，还是AI研究者，这门课程都将通过代码实现、参数调优案例，帮助你掌握大模型技术的核心方法论与落地工具。
现在加入，完成从理论到实战的跨越，真正掌握驱动AI革命的核心技术！
先导课
第一章 分词
第二章 自注意力机制
第三章 Transformer原理以及实现
第四章 GPT技术原理与应用解析
- 4.1 GPT技术概述
- 4.2 GPT的工作原理
- 4.3 GPT的实现技术
- 4.4 GPT的应用场景
- 4.5 GPT的实践指南
第五章 Top-K采样原理详解
- 5.1 Top-K采样概述
- 5.2 Top-K采样的数学原理
- 5.3 Top-K采样的关键参数
- 5.4 Top-K采样的优缺点分析
- 5.5 Top-K采样的实际应用
第六章 Top-p采样原理与应用
- 6.1 Top-p采样概述
- 6.2 Top-p采样的工作原理
- 6.3 Top-p采样的参数设置
- 6.4 Top-p采样的优势与局限性
- 6.5 Top-p采样与其他采样方法的比较
- 6.6 Top-p采样的实际应用案例
第七章 Prompt撰写方法与技巧
- 7.1 Prompt基础概念
- 7.2 Prompt设计原则
- 7.3 结构化Prompt技巧
- 7.4 行业场景应用
- 7.5 进阶优化策略
第八章 Temperature参数解析与应用指南
- 8.1 Temperature参数基础概念
- 8.2 参数作用机制
- 8.3 不同温度值效果对比
- 8.4 参数应用场景指南
- 8.5 实战调参技巧
第九章 GPT生成参数调优
- 9.1 参数调优策略
- 9.2 实际调优步骤
- 9.3 典型应用场景与参数组合
- 9.4 常见问题与解决方案
- 9.5 总结与最佳实践
第十章 手把手带你从零推导旋转位置编码RoPE
第十一章 DeepSeek-R1 技术全景解析
第十二章 DeepSeek-v3 中MOE架构解析
- 12.1 MOE发展历程
- 12.2 MOE核心原理
- 12.3 DeepSeek-V3中的MOE实现
- 12.4 MOE关键技术挑战
- 12.5 MOE模型性能优势
第十三章 不同模型的对比
第十四章 qwen架构解读
数知客
知名大厂高级工程师