这门课解决什么问题：让通用大模型听懂你的垂直业务
很多团队在接入大语言模型时，都会撞到同一堵墙：通用模型答得宽泛，一碰到公司内部的专业术语、特定格式要求或私有业务数据，就开始“一本正经地胡说八道”。这门课解决的核心场景就是——如何用你自己的业务数据，对一个开源底座大模型进行指令微调，让它从一个“什么都懂一点的通才”变成一个“只解决你这摊事儿的专才”。它不教你从零手搓千亿参数，而是聚焦在工程上最具性价比的环节：怎么准备数据、怎么跑通微调脚本、怎么让模型按你的规矩说话。
适合什么基础与建议先看哪几块
这套资料不适合零基础。你需要有 Python 编程底子，看得懂基本的 PyTorch 代码，最好之前用过 Hugging Face Transformers 调过现成模型。如果是纯前端或完全没碰过深度学习的转行者，直接看代码解读会非常吃力。建议拿到资料后，先不要急着跑后面的复杂项目，优先看第一阶段基于 Stanford Alpaca 的这部分。这块用 Self-Instruct 思路对 LLaMA 7B 做微调，是理解“指令数据怎么生成、怎么喂给模型”的最好敲门砖。把这里的代码逻辑捋顺了，知道每一条问答数据是怎么变成模型输入张量的，后面再看其他微调框架就会非常轻松。
学完能独立做什么与资料怎么配合练习
跟着这套实战走完，你能独立完成一个垂直大模型微调项目的闭环：从清洗原始业务语料、构造指令微调数据集，到配置环境跑通训练脚本，最后拿到一个能在本地或服务器上部署推理的专属模型权重。比如你要做一个懂公司产品手册的客服问答，或者一个能按固定格式提取合同要素的文本处理工具，学完就能自己动手做。练习时，不要干看视频。建议按一周一个阶段的节奏，先跟着资料里的代码解读把 Alpaca 的微调流程跑通，哪怕只用几百条小数据集，也要在机器上看到 loss 下降。然后，把资料里的英文示例语料，换成你自己工作里的真实中文文档，自己写几条 Self-Instruct 的种子指令，亲手跑一次微调。只有自己造的数据跑出效果，才算真正把这门技术变成了你手里的活儿。
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。
课程目录
* 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
