图灵学院大模型

这门课的主题是大模型原理，不是教你从头训练一个模型，而是把面试和实际工作中最常被追问的那几块讲清楚：生成式模型和大语言模型到底怎么区分，Transformer 内部是怎么运转的，预训练、SFT、RLHF 各自解决什么问题，以及这些原理落到真实业务里长什么样。它面向的是准备大模型方向面试、或者已经在大模型相关岗位上却总觉得原理说不透的人。

先判断它解决什么问题，再看适不适合你

很多人做大模型应用时，卡点不在写代码，而在解释不清楚。比如被问到为什么用检索增强而不是直接微调，SFT 和 RLHF 的先后顺序能不能颠倒，注意力机制里到底哪一步决定了长文本的代价——这些问题的答案都在原理层。这门课就是围绕这类追问展开的，把大模型的运行基本机制、架构解析和关键技术串成一条线，让你在面试或技术评审时不至于只背结论。

适合的基础：会一门编程语言，了解神经网络的基本概念（比如什么是参数、什么是损失函数），但不需要你推导过反向传播。如果你完全没接触过深度学习，直接看 Transformer 那部分会比较吃力，建议先补一点基础再回来。转行者如果目标是应用层岗位，这门课的原理部分足够用；如果目标是算法岗，它更像是一份面试前的梳理，而不是替代系统学习。

建议的观看顺序和重点

不要按文件顺序从第一个看到最后一个。建议先看「理解生成式模型与大语言模型」这一节，它帮你建立基本概念边界，知道后面在讨论什么。接着直接进 Transformer 架构解析，这是全课最硬也最值钱的一块，值得放慢速度反复看。看懂之后再回头看运行基本机制，很多之前模糊的地方会顺下来。最后再看预训练、SFT、RLHF 这节关键技术，以及实践中的大模型那一节，把原理和真实场景对上。

面试技巧的部分建议放在最后当复盘用，而不是一开始就背。原理没吃透的时候背话术，被追问两层就露馅了。

学完能独立做什么，资料怎么配合练习

学完之后，你应该能独立完成几件事：向别人讲清楚一个 Transformer 模型从输入到输出的完整流程；解释预训练、SFT、RLHF 三个阶段各自的目标和数据特点；在方案讨论中说明为什么某个场景选 Prompt 工程、检索增强还是微调。这些能力直接对应面试里的原理题和方案题。

练习上，别只看视频。每看完一节，用自己的话把关键机制写一遍，遇到讲架构的部分，试着画一张数据流向图。关键技术那节看完后，找一个你熟悉的大模型产品，试着分析它可能用了哪些技术组合。资料里的视频可以反复看，但真正让你记住的是输出，不是输入。如果时间有限，优先保证 Transformer 和关键技术这两块的练习质量，其余部分看懂即可。