大模型项目开发线上营导读：这门课值不值得学

这门资料聚焦大模型工程化落地，核心解决一个痛点：很多开发者看过理论，却无法把大模型跑进真实业务。它没有停留在讲解 Transformer 架构，而是带着你走通模型部署、微调、接口封装到前端交互的全链路。如果你目前的工作涉及企业内部知识库搭建、垂直领域智能客服，或者正从后端开发转做 AI 应用，这套项目实战资料能帮你把散落的理论拼成可运行的产品。但如果你连 Python 基础语法和简单神经网络都不熟，直接看会很吃力。

学习路线与资料配合建议

资料按阶段划分，建议按顺序消化。第一阶段从零实现带 RLHF 的类 ChatGPT，这部分先补齐 Transformer 自注意力机制，再跟着实操 SFT（监督微调）与 RM（奖励模型）。第二阶段是医疗问答大模型微调，属于垂直领域落地。练习时，不要光看视频，务必在本地或云端配好算力环境，跟着把代码跑通。遇到显存不足，重点看课程里关于参数高效微调的实操处理。每学完一个阶段，把项目代码仓库克隆下来，自己改改数据集，观察输出变化，这样才能把知识内化。

学完能独立做什么

啃完这套资料，你应该具备从零搭建垂直领域大模型应用的能力。具体来说，能独立完成开源大模型的环境部署，用业务数据做微调，并通过接口把模型能力提供给前端调用。无论是做个带反馈机制的对话助手，还是特定行业的问答系统，你都能把控从数据准备、模型训练到服务上线的完整闭环。不再只是调别人的接口，而是真正拥有自己可控的模型资产。


现在，几米课堂重磅推出大模型项目开发线上营！全程以“实战项目”为核心，从大模型部署、微调、API开发到前端交互，手把手带教3个企业级项目，让你从“理论派”变身“能落地的大模型开发者”。

课程目录

*   01 第一阶段 从零实现一个带RLHF的类ChatGPT/

  *   01 第1课 开营仪式与ChatGPT的三阶段训练方式 (497.42 MB), 02:38:28

  *   02 第1课之补充：通透理解Transformer——从自注意力到多头注意力 (383.60 MB), 01:41:37

  *   03 第2课 从零实现带RLHF的类ChatGPT(上)：SFT与RM的实现 (300.32 MB), 01:27:12

  *   04 第3课 从零实现带RLHF的类ChatGPT(下)：RLHF的完整实现 (355.18 MB), 01:44:45

*   02 第二阶段 从头开始微调出来一个医疗问答大模型/

  *   01 第4课 Meta LLaMA的结构与原理：参数少但多数任务的效果好于GPT3 (202.01 MB), 52:20

  *   02 第4课之补充：半小时总结LLaMA 2的技术架构精要 (85.60 MB), 27:06

  *   03 第5课 Stanford Alpaca：结合英文语料通过Self Instruct方式微调LLaMA 7B (405.28 MB), 01:57:06

  *   04 第5课之补充：Alpaca-LoRA微调过程「使用已清洗的alpaca数据基于LoRA微调LLaMA-7B」 (92.56 MB), 18:41

  *   05 第6课 ChatGLM2-6B(第二代)的结构与微调 (99.18 MB), 19:51

  *   06 第6课之补充1：ChatGLM2-6(第二代)的LoRAP-Tuning微调 (142.06 MB), 33:29

  *   07 第6课之补充2：ChatGLM3-6(第三代)的结构与LoRA微调 (189.64 MB), 47:45

  *   10 第8课 医疗问答大模型(上)：基于LLaMa微调的ChatDoctor (333.54 MB), 01:39:09

  *   11 第9课 医疗问答大模型(下)：基于中文数据微调的医疗领域大模型 (386.19 MB), 01:35:01

*   03 第三阶段 从爬取数据开始从零开发：七月论文审稿GPT(第2版已超过OpenAI的GPT4)/

  *   01 第10课 大模型之高效文本数据处理：规则式与启发式 (1.00 GB), 02:06:23

  *   02 第11课 论文审稿GPT第一版：如何爬取论文数据、解析论文PDF、处理review数据 (267.84 MB), 01:26:11

  *   03 第12课 论文审稿GPT第一版的模型的选型训练，与第二版的全方位优化计划 (265.26 MB), 01:22:15

  *   04 第13课 论文审稿GPT第二版之论文PDF解析和review数据处理：规范Review的格式且多聚一 (190.78 MB), 52:09

  *   05 第14课 相关工作之AcademicGPT：增量训练LLaMA2-70B，包含论文审稿功能 (245.49 MB), 01:02:36

  *   06 第15课 论文审稿GPT第二版之模型的前置知识：Mistral 7B、YaRN、LongLoRALongQLoRA (252.75 MB), 01:19:03

*   04 第四阶段 实现基于企业多文档的知识库问答系统(RAG检索增强生成)/

  *   01 第18课 langchain的整体组成架构 (227.69 MB), 53:32

  *   02 第18课之补充：langchain十个应用示例(文档问答数据库问答智能体Agents等) (225.32 MB), 50:33

  *   03 第19课 如何通过LangChain+LLM搭建本地知识库问答 (125.81 MB), 41:23

  *   04 第19课之补充1：本地知识库问答系统的搭建与部署 (237.14 MB), 57:04

  *   05 第19课之补充2：七月的GPU登录及使用说明(如还不会用七月GPU则必看) (42.10 MB), 11:04

  *   06 第20课 如何解决知识库检索出错的问题：embedding算法是关键之一 (205.18 MB), 01:02:17

  *   07 第21课 如何更好的分割结构化的文档 (91.17 MB), 32:21

  *   08 第21课之补充视频：针对结构化文档采取更好的chunk分割的代码实现 (216.48 MB), 47:23

  *   09 第22课 如何解决非结构化文档分割不够准确的问题：比如按照语义切分(含Sora解读) (201.20 MB), 58:44

  *   10 第23课 逐行深入分析：langchain-ChatGLM项目的关键源码解读(特别是向量搜索匹配) (235.11 MB), 01:14:19

  *   11 第24课 如何确保召回结果的全面性与准确性：多路召回、重排及检索评估方式 (233.11 MB), 01:07:11

  *   12 第25课 如何基于文档中的表格进行问答 (169.27 MB), 55:53

  *   13 第26课 企业知识库场景下的RAG整体优化方案 (256.56 MB), 01:25:43

  *   14 第26课 企业知识库场景下的RAG整体优化方案 (256.56 MB), 01:25:43

*   05 第五阶段 基于stable diffusion二次开发一个AIGC模特生成系统(也含代码)/

  *   01 第27课 通俗理解Stable Diffusion：文本到图像的潜在扩散模型(改进版DDPM) (298.30 MB), 01:31:02

  *   02 第28课 Stable Diffusion WebUI安装部署及项目结构解析 (265.73 MB), 01:25:25

  *   03 第29课 Stable Diffusion Webui生成AI模特描述研究、参数及流程 (353.60 MB), 01:38:52

  *   04 第30课 AIGC模特生成系统核心代码详解 (249.91 MB), 01:19:54

*   06 第六阶段 三大AI Agent项目：自动对人类下达的任务进行拆解分析、工具调用/

  *   01 第31课 阿里通义千问Qwen-7B的原理及ReAct用法 (169.04 MB), 35:00