本文系统介绍了大语言模型(LLM)的基础原理，基于Transformer架构，采用"预训练+微调"范式。详解了词元输入、自注意力机制、多头注意力和前馈神经网络等核心组件，以及模型参数计算方法。同时阐述了预训练、指令微调、人类反馈强化学习等训练流程，并讨论了多模态扩展和人工智能体应用。文章强调大模型作为矩阵运算的本质，以及从底层模型到上层应用的产品架构设计，为理解当代AI系统提供了全面视角。

---

如果零散地看大语言模型的相关描述：有人说大模型是预测下一个词的模型，有人说大模型是将词转化为向量，有人说大模型运用了自注意力机制，还有人指出大模型采用无监督学习和强化学习……让人看得眼花缭乱。

这篇文章就把这些说法归归类，结构化地把大模型讲讲明白。

当前几乎所有主流的大语言模型（LLM，Large Language Model）都基于 2017 年 Google 团队发表的一篇论文《注意力就是一切》（Attention Is All You Need）中提出的 Transformer 架构。像 GPT（Generative Pre-trained Transformer）这一类模型，则在训练流程上采用了「预训练 + 微调」的范式，成为当代广泛使用的生成式模型家族。

多模态（Multimodal）是近年的热门方向，目标是让模型能够顺滑处理文本、图像、音频、视频等多种输入形式。本文主要讲解以文本为主的大模型基础原理，但这些底层机制在多模态模型中也是通用或可扩展的。

人工智能体（Artificial Intelligence Agent）指的是把大模型作为执行器，让它代替人类完成具体事务，而不只是聊天或给出建议。比如自动预订旅行的机票与酒店、搭建并部署可运行的网站、自动创作并发布自媒体内容等，这类是对底层模型的高级应用，但仍高度依赖底层模型提供的能力与接口。

从产品角度看，豆包、DeepSeek、元宝等应用，或者基于它们背后模型的 API，都是大模型产品的不同呈现。

{

（DeepSeek的API接口参数，右滑查看完整内容）

content：（一拍桌子）哎哟，这话说的，您这是跟核桃过不去啊！

（DeepSeek的API接口返回内容，部分结构已省略）

一个典型的大模型产品可以分为三层：底层的模型本身（海量参数）、中间的调用/服务框架（负责并行、分片、调度、缓存等），以及面向用户的上层应用界面（网页、App 或 API）。用户能看到的，一般只有最上层的界面。

从物理形态上讲，模型本身就是若干训练好的矩阵，矩阵元素是浮点数，这些参数在训练阶段被优化出来并保存在磁盘/内存中。

调用模型时，系统会把输入（文本或多模态信号）先转成数值向量，用一系列线性代数运算（矩阵乘法、激活函数、归一化等）与这些向量交互，最后把得到的向量再映射回人类可读的词或标记，形成输出。

这是 Transformer 架构的原理图，我们从下往上重点关注输入（红）、注意力/解析（橙）与前馈/输出（蓝）三个部分。

1）词元输入

词元（Token）是大语言模型处理数据的基本单位。一句话在输入前会被分割为若干 token，且顺序被保留；模型接收到的就是这个有序 token 序列（例如“我比他更水”被输入成“我” -> “比” -> “他” -> “更” -> “水”，而不会被输入成“他” -> “更” -> “我” -> “水” -> “比”）。常见的计费单位“每百万 token”就是指这种 token 的数量。

早期的大语言模型，大多依赖卷积神经网络（CNN，Convolutional Neural Network）与循环神经网络（RNN，Recurrent Neural Network），其缺点是无法在超大范围上理解和追溯词元之间的关联关系，但当序列长度增长到几百甚至几千时，RNN 在捕捉远距离依赖上会变弱，计算效率也受限。

Transformer 的自注意力机制能在理论上直接让任意两个 token 互相「看到」对方，从而把建模的范围从局部窗口扩展到整个输入序列（即模型的上下文窗口长度）。上下文窗口的具体长度可以是几千，甚至几十万 token，这标志着模型能同时考虑的文本范围大大提高。

在进入模型前，每个 token 会被映射到高维向量空间，叫做词嵌入（Embedding）。在这个空间里，语义越近的词对应的向量距离也越近。以二维向量空间举例，点(7, 8)可能代表「摸鱼」，点(7.3, 8.3)可能代表「划水」，而代表「打工人」的点可能就在(9, 9.6)了。

（词嵌入的低维可视化展示，仅为部分聚类趋势，非实际情况）

二维示例便于理解，但实际维度往往很大——现代模型经常能够达到数千到上万维。

2）解析与回答

有了有序输入的 token 后，Transformer 对每个 token 计算三个向量：Query（Q，表示“我在找什么”）、Key（K，表示“我能提供什么”）和 Value（V，表示“我是什么”）。注意力机制通过比较 Q 与其它 token 的 K 来决定对哪些 token 赋予更多关注，然后把对应的 V 以加权和的方式聚合起来，形成当前 token 的上下文表示。

以前面那个例子“我比他更水”来说，对于“水”这个 token，模型可能会根据上下文更关注“我”而不是“他”。

在实现上，每一层注意力模块可视作若干矩阵乘法与一次输出变换（记作 Wq、Wk、Wv、Wo 的组合），矩阵尺寸等于 d_model × d_model。

内部语义上常把输入向量分成 num_heads 个子空间并行计算，叫做多头注意力（Multi-Head Attention）。多头注意力的设计允许模型在不同子空间关注不同类型的关系，提升表达力与鲁棒性，不至于让模型“钻牛角尖”。若 d_model = 12288，num_heads = 64，则每个头的维度为 192（12288/64）。

在模型理解完输入序列想要干什么以后，就进入了回答的环节，这里会经过一个叫前馈神经网络（FFN，Feed Forward Network）的结构，来对每个 token 做逐位置的非线性变换。常见做法是先将维度提升到 d_ff（通常为 4×d_model），再降回 d_model。维度提升后能容纳更多的信息进行复杂组合，来回答输入中的问题，比如“水是一种物体 → 但在有些情况下水是形容词 → 水可以形容能力更弱 → 这种情况下水是贬义词”这样的知识，就是从 FFN 这里「拿」出来的。

这一套注意力 + FFN 的模块会堆叠 N 层（有的模型 N=96 或更高），形成深层网络，用来回答各种复杂问题。

3）结果输出

在经过了所有层级后，模型已经能给出一团混合的结果了，但此时的答案还只是每个位置上候选 token 的分数，需要进行线性处理（Linear）和归一化（Softmax）把分数转成概率分布，依次输出概率最高的 token，这样就是人类能理解的顺序答案了。这也是通常所说「大模型根据下一个词的概率分布生成文本」的含义：模型在每一步基于当前上下文预测下一个 token 的概率。

现在我们就可以回答这个问题：大模型的参数量如何计算？

每一层的主要权重来自注意力部分：

Wq、Wk、Wv、Wo四块矩阵，每块的大小均为 12288 × 12288，合并后大致相当于 4 × d_model^2

和 FFN 部分：

两块矩阵，约为 2 × d_model × d_ff，若 d_ff = 4 × d_model 则为 8 × d_model^2

因此一层权重近似为 12 × d_model^2。以 d_model = 12288、N = 96 为例，按上式计算得到的主要权重数量约为 ：

12 × 12288^2 × 96 ≈ 1.739 × 10^11（约 1739.5 亿）

加上其他小量参数（嵌入、偏置、归一化等），就是 GPT-3 的实际参数规模（1750亿）。

弄清架构以后，训练目标就是确定上述所有矩阵（权重）的数值。

GPT 系列常见的训练流程可以分三步：

1. 预训练（Pre-training）。通常采用自监督学习（Self-supervised Learning）方法：在大规模未标注语料上训练，让模型根据上下文预测缺失的 token（或者用下一句预测、因而构成“标签与输入来自同一文本”的一种学习方式）。自监督常被归入“无监督学习”范畴，但严格意义上自监督是通过构造伪标签来学习的一类特殊方式。

2. 指令微调（Instruction Fine-tuning）。用高质量、带任务指令的示例（人工标注数据）来训练模型，使其学会按照自然语言指令执行特定任务，从而在交互时更符合人类期望的回答形式。

3. 人类反馈强化学习（RLHF，Reinforcement Learning from Human Feedback）。先收集人类对模型输出偏好的排序或评分，训练一个奖励模型来估计人类偏好，再用强化学习算法对基础模型进一步微调，使模型输出更符合人类偏好与安全规范。

此外还有蒸馏学习（Knowledge Distillation）等技术：通过让小模型模仿大模型的行为，把「教师模型」的知识迁移到「学生模型」，以在有限计算资源下尽量保留表现。很多 Mini ， Nano 版本的模型就是经过更大模型蒸馏后的产物。

对于个人或小团队想训练小规模模型的情况，常见策略是采用开源的预训练模型做基础，然后用自有数据做指令微调或领域微调，这样可以在可承受的计算资源上获得实用性能。

把训练好的静态模型部署完成后，面对新请求时就是运行前述的计算过程。由于参数规模庞大，实际运行需要计算框架配合（如对矩阵分片并行、分布式计算等）才能高效完成。

在推理阶段，把矩阵运算映射到合适的硬件（CPU、单卡 GPU、多卡分布式集群、或专用推理芯片）以提高吞吐与延迟表现。工程上通常要考虑模型并行、数据并行、流水线并行、分片、内存与带宽优化等问题，以让大模型在资源受限时仍能高效运行。

---

这就是大语言模型的主要原理了，各家公司会基于不同的数据源、模型设计与训练细节推出各自的模型，同时建立起多维的模型评测体系（例如准确性、鲁棒性、幻觉指数、安全性、细分领域性能等）。需要提醒的是：评测分数高并不意味着模型在每个具体场景都是「最好」的，对于每个用户来说：

适合自己的大模型才是最好的大模型

基于 Transformer 的架构，也催生了大量多模态模型：通过对不同模态输入给予合适的权重编码与注意力机制，使图像、视频与文本等跨模态信息能互相融合并用于生成或理解任务。

虽然核心原理相对直观，但落地实现涉及大量工程细节与挑战。全球大量顶尖的研究者与工程团队正持续投入这一领域，推动技术快速演进。或许 AI 的使用极限，只受限于我们人类的想象力了。

我会把一些学习资料整理到评论区，方便大家查阅。如果这篇文章对你有所帮助，欢迎互动交流，你的反馈会促使我继续规划并输出更多实用的技术内容。

在讲解过程中，为避免分散注意力，我省略了一些对主干结构影响不大的内容，在此进行补充说明，有兴趣的朋友可以继续往下看：

位置编码（Positional Encoding）

Transformer 需要位置信息来保持序列顺序。原始论文采用了基于不同频率的正弦/余弦函数构造的固定位置编码（sin/cos），具体函数为：

后来许多实现改为可学习的位置嵌入（Learned Positional Embeddings），两者在不同场景下各有优劣。

激活函数（Activation Function）

在两层（升维再降维）前馈神经网络 FFN 之间通常会加入非线性激活函数以赋予模型非线性表示能力。常见选择包括

修正线性单元（ReLU，Rectified Linear Unit）

高斯误差线性单元（GELU，Gaussian Error Linear Unit）

后者在许多 Transformer 实现中表现良好。

（两种函数的图像）

残差连接（Residual Connections）

为了稳定训练与缓解梯度问题，Transformer 在子层（注意力子层与 FFN 子层）后通常使用残差连接（把子层输入 x 与子层变换 F(x) 相加），并配合归一化操作来统一尺度与加速训练。

掩码多头注意力（Masked Multi-Head Attention）

在自回归预训练中，训练时要确保模型在预测某一位置的 token 时不能看到该位置之后的真实 token，因此使用掩码机制屏蔽未来位置。这保证了模型在生成时只基于已生成的上下文进行预测。

缩放点积注意力‌（Scaled Dot-Product Attention）

单头注意力的输出为：

对于多头注意力（h 个头），每个头在子空间上做上述计算，最后拼接各头输出再做一次线性变换：

这就是这篇文章的全部内容了，有兴趣的朋友欢迎在后台留言探讨，让我们一起踏上这个时代的浪潮之巅。

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）