AI算法工程师：想掌握大模型微调技术，提升模型在特定场景下的性能，增强项目竞争力。 NLP研究者：致力于自然语言处理领域，希望通过微调让类ChatGPT模型更好地适配专业任务。 企业技术负责人：计划在企业内部部署定制化类ChatGPT模型，解决业务痛点，提高工作效率。 AI创业者：想基于类ChatGPT模型开发垂直领域应用，如客服机器人、专业问答系统等，抢占市场先机。 技术爱好者：对大模型微调充满好奇，渴望亲手操作从数据准备到模型部署的全流程，积累实战经验。

*   01 第一阶段 Stanford Alpaca：结合英文语料通过Self Instruct方式微调LLaMA 7B/

  *   01 第1课 Standford Alpaca的介绍 (39.75 MB), 17:50

  *   02 第2课 self-instruct的代码解读 (51.71 MB), 15:47

  *   03 第3课 Alpaca 7B的微调过程 (37.82 MB), 11:22

  *   04 第4课 self-instruct代码的详细过程 (48.33 MB), 11:08

  *   05 第5课 Standford Alpaca微调代码拆解：微调方式 (19.25 MB), 08:06

  *   06 第6课 Standford Alpaca微调代码拆解：train.py解读 (34.80 MB), 09:18

  *   07 第7课 垂直领域微调的方式 (11.82 MB), 05:09

  *   08 第8课 Huggingface的Transformers库 (36.41 MB), 09:41

  *   09 第9课 Alpaca-LoRA：消费级显卡上的Lora微调 (33.26 MB), 10:03

  *   10 第10课 DeepSpeed-Chat的LoRA源码解读 (41.27 MB), 09:26

  *   11 第11课 基于Huggingface的Peft框架的Lora微调方式 (26.68 MB), 05:33

  *   12 第12课 Alpaca所用的self-instruct的影响力 (15.67 MB), 06:42

  *   13 第13课 Alpaca-LoRA微调过程 (83.20 MB), 18:41

*   02 第二阶段 LLaMA 2的技术架构精要/

  *   01 第1课 LLaMA2 相比LLaMA1 的改进 (19.18 MB), 07:40

  *   02 第2课 LLaMA2 的分组查询注意力（GQA） (28.23 MB), 07:58

  *   03 第3课 LLaMA2-Chat中的RLHF：三阶段训练方式 (37.54 MB), 12:00

*   03 第三阶段 ChatGLM-6B推理与微调过程/

  *   01 第1课 ChatGLM-6B的数据处理及文件准备 (58.70 MB), 19:19

  *   02 第2课 ChatGLM-6B的部署及微调过程 (66.30 MB), 16:40

*   04 第四阶段 LLM微调方法总结：Freeze方法P-TuningLoRA及QLoRA uning与prompt tuning方法/

  *   01 第1课 微调方法—Freeze方法 (11.61 MB), 04:54

  *   02 第2课 微调方法—prefix-t (31.58 MB), 11:00

  *   03 第3课 微调方法—P-tuning V1方法 (18.72 MB), 08:16

  *   04 第4课 微调方法—P-tuning V2方法 (22.78 MB), 06:12

  *   05 第5课 微调方法—Lora方法 (31.97 MB), 11:31

  *   06 第6课 微调方法—QLora方法 (43.36 MB), 13:57

  *   07 第7课 LLM微调经验分享 (22.90 MB), 03:48

*   05 第五阶段 ChatGLM2-6B推理部署及微调过程/

  *   01 第1课 评估基准C-EVAL及ChatGLM2-6B的改进 (29.85 MB), 08:29

  *   02 第2课 ChatGLM2-6B的部署推理过程 (28.58 MB), 08:49

  *   03 第3课 基于P-Tuning V2微调ChatGLM2-6B (77.01 MB), 16:39

*   06 第六阶段 阿里通义千问Qwen-7B的原理及ReAct用法/

  *   01 第1课 通义千问—Qwen-7B模型的特点 (41.38 MB), 09:26

  *   02 第2课 Qwen-7B-Chat模型的微调数据构成 (11.78 MB), 04:36

  *   03 第3课 Qwen-7B-Chat模型的ReAct Prompting (10.15 MB), 03:32

  *   04 第4课 ReAct代码示例 (107.96 MB), 18:10