斯坦福大学课程:什么是大模型预训练？

斯坦福大学课程:什么是大模型预训练？ 斯坦福大学课程:什么是大模型预训练？ Modified March 7 https://youtu.be/7xTGNNLPyMI?si=1gj4NLopFFf hmkn 你给chatGPT一个问题时，按下回车键，返回的结果在某种程度上类似于统计上对齐训练数据集中的内容。 这些训练数据集，它们真的只是有一个种子，在人类遵循标签指示的情况下。 你实际上是在和chatGPT 谈话，它并不是来自某种神奇的ai， 大致来说，它是来自一个能够统计学模仿人类标志者的系统，而这些表住址是这些公司编写标注指令所训练出来的，这几乎就像是在向人类标注者提问。 并想象一下，从GPT得到的回答，这是一种对人类标注者的模拟，和询问人类标注员会怎么做有点类似， 在这种对话中，这并不是像这样的人类标注员，也不是像互联网上的一个随机网友， 因为这些公司实际上聘请了专家， 所以例如当你在询问关于代码的问题时，你是在向人类标注员也就是专家人士，询问这有没有道理，他们通常受过良好教育，参与创建这些对话数据集， 所以你并不是在和一个神奇的ai对话，而是在和一个普通的标注员交谈。 这个普通的标注员可能技能相当高，但是你是在与一个类似这样的人进行即时交谈模拟，这个人会被雇佣来构建这些数据集。 我们正式把“思考”外包给了矩阵乘法，把“意义”托管给了标注员的点击，把“未来”押注在了下一个 token 的 softmax 概率上。 现在， 最聪明的机器与最不确定的人类，正在并排走路。 Tcpip packet 弯路1：这个编辑器太好看了吧 简单好用的工具，已收藏 弯路2：有朋友推荐Obsidian，可以和nano banana pro一起用，自动发公众号，文章已收藏，后面实践 太厉害了，绕过了这条弯路，这次只花了1h就决定不学了 https://youtu.be/7xTGNNLPyMI?si=1gj4NLopFFf hmkn 你给chatGPT一个问题时，按下回车键，返回的结果在某种程度上类似于统计上对齐训练数据集中的内容。 这些训练数据集，它们真的只是有一个种子，在人类遵循标签指示的情况下。 你实际上是在和chatGPT 谈话，它并不是来自某种神奇的ai， 大致来说，它是来自一个能够统计学模仿人类标志者的系统，而这些表住址是这些公司编写标注指令所训练出来的，这几乎就像是在向人类标注者提问。 并想象一下，从GPT得到的回答，这是一种对人类标注者的模拟，和询问人类标注员会怎么做有点类似， 在这种对话中，这并不是像这样的人类标注员，也不是像互联网上的一个随机网友， 因为这些公司实际上聘请了专家， 所以例如当你在询问关于代码的问题时，你是在向人类标注员也就是专家人士，询问这有没有道理，他们通常受过良好教育，参与创建这些对话数据集， 所以你并不是在和一个神奇的ai对话，而是在和一个普通的标注员交谈。 这个普通的标注员可能技能相当高，但是你是在与一个类似这样的人进行即时交谈模拟，这个人会被雇佣来构建这些数据集。 我们正式把“思考”外包给了矩阵乘法，把“意义”托管给了标注员的点击，把“未来”押注在了下一个 token 的 softmax 概率上。 现在， 最聪明的机器与最不确定的人类，正在并排走路。 Tcpip packet 弯路1：这个编辑器太好看了吧 简单好用的工具，已收藏 弯路2：有朋友推荐Obsidian，可以和nano banana pro一起用，自动发公众号，文章已收藏，后面实践 太厉害了，绕过了这条弯路，这次只花了1h就决定不学了 🔗 原文链接： https://mp.weixin.qq.com/s/yG018xRD... https://mp.weixin.qq.com/s/yG018xRD... 原创 Mango Mango 烂芒2025年12月10日 07:50 上海 了解LLM： large language model 缘起数学统计，transformer 是一种深度学习模型架构，token 是最小可处理片段，字节对编码 BPE 决定了 prompt 最终被拆成哪些 token，恭喜我们进入统计学＆数据标注打分，预测下一个 token 的时代。 这个网址介绍：什么是数据集，训练的数据从哪里来，以及训练数据的预处理流程，从一个URL提取到语言、内容、去重、过滤ai、去除隐私的流程。 这是 Hugging Face 的 FineWeb 训练数据预处理流程图（Pretraining Data Pipeline） 。 它展示了在训练大模型之前，如何 从互联网抓取、清洗、过滤并去重文本数据 的完整步骤。 🧩 图中每个步骤的意思 整个流程叫 FineWeb pipeline ，用于生成高质量训练数据。 1. URL Filtering（网址过滤） 先对收集到的网页 URL 进行筛选，去掉无效、垃圾、重复或不可信的链接。 2. Text Extraction（文本提取） 从网页中提取纯文本，去掉 HTML、脚本、广告等噪声。 3. Language Filtering（语言过滤） 判断文本是什么语言，只保留需要的语言（例如英文或多语种）。 4. Gopher Filtering（内容质量过滤） 使用模型（来自 DeepMind Gopher 的过滤方法）对文本质量进行评分，去掉低质量内容。 5. MinHash Dedup（最小哈希去重） 对文本进行大规模去重，避免重复网页、多次拼接、镜像站的内容。 6. C4 Filters（C4 数据集的过滤规则） 沿用 Google C4 数据集中常用的清洗规则过滤色情、垃圾、短文本等内容。 7. Custom Filters（自定义过滤规则） 根据团队自己的需求进行额外清洗，比如： • 去掉机械生成文本 • 去掉 AI 填充内容 • 去掉异常符号格式等 8. PII Removal（去除个人隐私信息） 删除诸如： • 姓名 • 身份证号 • 地址 • 电话 • 邮箱 等个人可识别信息。 🔍 简单总结 这是一个 从互联网抓取→清洗→过滤→去重→隐私保护 的数据清洗流程，用于生成适合大模型训练的 高质量语料 。 🌟 Transformer • 现在所有大模型的核心架构 • 能理解上下文关系（Self Attention） • 能并行训练，效率极高 • 让模型具备理解和生成能力 Transformer 是现在所有大语言模型（ChatGPT、Claude、Llama 等）的底层核心架构，用来让模型“理解”和“生成”文本。 Transformer 解决了两个关键问题： ⭐ 1. 能同时关注整段文本（注意力机制 Attention） 以前的模型（一句话只能读一个词往后走），看长文本会遗忘前面的信息。 Transformer 有个核心技术叫 Self Attention（自注意力） ： 读句子时，它会自动找到“哪些词跟当前词最相关”。 例如： “我把苹果给了小明，因为 他 肚子饿了。” Transformer 知道 “他” 指 小明 ，不是“苹果”。 ⭐ 2. 它能并行训练（速度快几十倍） 以前模型必须按顺序读文本，Transformers 可以并行处理整段数据 → 能训练超大模型。 🔍 理解 Transformer 可以把 Transformer 理解成一个“超强阅读器” ： 📘 输入：一段话 🔍 处理：分析每个词和其它词的关系（Attention） 🧠 学习：词与词之间的模式 📝 输出：预测下一个词、翻译、总结…… 所以 ChatGPT 会写文案、写代码，就是因为 Transformer 学会了文本的模式。 🌟 Tokenization • 把文本拆成模型能处理的 token（子词） • 每个 token 编成数字喂给模型 • 是整个模型理解文本的第一步 Tokenization 是把文字转成模型能理解的数字化小单元（token）的过程。 因为模型不能直接读“中文字符/英文单词”，必须转成 token。 ⭐ 为什么要分成 token？ 因为不同语言有不同结构： • 英文：单词之间有空格 → token 可以是单词或子词 • 中文：没有空格 → 不可能按“字”全部拆（效率低） • 训练数据很大 → 需要压缩成常见的“子词拼块” 所以现代大模型用一种叫 BPE（Byte Pair Encoding） 的方式，把常见的字词组合成 token。