近日，ZJU-LLMs（浙江大学数据库与大数据分析实验室）发布了一本极具深度又易于理解的教程《大模型基础》。在当前由 DeepSeek 和 ChatGPT 引领的 AI 热潮中，这本教程无疑是为所有希望了解和学习大模型的人们提供了一场及时雨！

这本教程的独特之处在于其"接地气"的风格。尽管大模型技术本身非常专业，但作者团队通过引入六种可爱的小动物来贯穿全书，使原本枯燥的技术知识变得生动有趣。这可以说是"既有趣又专业"的典范。

那么，这本硬核教程具体讲了些什么内容呢？文末附有下载地址。

第 1 章：语言模型基础本章从语言模型的基础知识开始，带你了解从最早的统计方法，到 RNN 时代，再到如今大受欢迎的 Transformer 架构。这就像是在讲述 AI 界的"进化史"，让你既能理解历史，又能把握现在。比如，你知道为什么现在的大模型都离不开 Transformer 架构吗？看完这章，你就会明白了。

第 2 章：大语言模型这可能是全书最核心的内容之一。从"大力出奇迹"的理论基础出发，解释了为什么大数据加大模型能带来质的飞跃。然后深入剖析了三大主流架构：

Encoder-only：以 BERT 为代表，擅长理解任务Encoder-Decoder：以 T5 为代表，适合序列转换任务Decoder-only：以 GPT 为代表，善于生成任务每种架构都有详细的技术原理讲解，包括预训练目标、模型结构特点等。特别有趣的是，书中还介绍了一些非 Transformer 的创新架构，让我们看到了更多的可能性。

第 3 章：Prompt 工程本章讲解 Prompt 工程，也就是如何与大模型"说人话"。这可能是最实用的一章！从基础的上下文学习到高级的思维链（Chain-of-Thought）技巧，教你如何写出更好的提示词，让大模型真正理解你的需求。如果你经常使用 Deep Seek、ChatGPT，这章的内容绝对能让你的提示词水平提升好几个档次。

第 4 章：参数高效微调面对动辄几百 GB 的大模型，如何高效地进行定制化训练？本章提供了完整的解决方案：

LoRA 等参数附加方法：如何通过低秩分解来减少可训练参数Adapter 等参数选择方法：如何选择和冻结合适的参数层低秩适配技术：如何在保持性能的同时大幅降低计算成本特别值得一提的是，书中还介绍了许多实践经验，包括最佳学习率选择、不同方法的优劣对比等。

第 5 章：模型编辑这是一个非常前沿的领域，讲解如何精确地修改模型的知识。从早期的知识注入方法，到现代的 ROME（Rank-One Model Editing）等技术，书中详细介绍了各种编辑策略的原理和实现。特别是 T-Patcher 和 ROME 这两种方法的深入剖析，展示了如何在不影响模型整体性能的情况下，精确地修改特定知识点。这对于模型维护和更新来说极其重要。

第 6 章：检索增强生成本章围绕着如何提升大模型的知识准确性展开。详细介绍了 RAG（检索增强生成）的完整技术栈：

知识检索：从向量数据库到语义搜索的技术实现检索系统：包括稀疏检索、密集检索等不同方案知识融合：如何将检索到的知识有效地整合到生成过程中书中还探讨了如何构建高质量的知识库、如何优化检索精度等实践问题。

最后，作者团队承诺每月更新内容，及时跟进最新技术发展。每个章节还配备了详尽的论文清单，想深入研究的同学可以直接找到相关论文进行学习。这种持续更新的承诺，使得这本教程不会很快过时，而是能够持续为读者提供价值。

如果你：

对大模型感兴趣但不知从何入手的新手想要深入了解大模型技术原理的开发者需要在实际项目中应用大模型的工程师这本教程都是不可多得的学习资源。