大语言模型(LLM)的核心是next token prediction，通过自回归方式生成文本。文本被拆分为token（英文为单词/子词，中文为汉字/词语），每个token通过tokenization转换为embedding。Transformer架构通过位置编码保留文本顺序，模型通过预测下一个token进行训练和推理。nanoGPT实现中包含多层Block堆叠，每Block包含多头自注意力和前馈网络。温度参数控制生成文本的随机性，影响token选择的概率分布。

---

要理解大语言模型(LLM)，首先要理解它的本质，无论预训练、微调还是在推理阶段，核心都是next token prediction，也就是以自回归的方式从左到右逐步生成文本。

什么是 token

token是指文本中的一个词或者子词，给定一句文本，送入语言模型前首先要做的是对原始文本进行tokenize，也就是把一个文本序列拆分为离散的token序洌

其中，tokenize是在无标签的语料上训练得到的一个token数量固定且唯一的分词器，这里的token数量就是大家常说的词表

英文中的 Token

• 在英文中，Token 通常是单词、子词或标点符号。一个单词可能对应一个 Token，也可能被拆分为多个 Token。例如，“unhappiness” 可能被拆分为 “un”、“happi” 和 “ness”。
• 一般来说，1 个 Token 对应 3 至 4 个字母，或者约 0.75 个单词。

中文中的 Token

• 在中文中，Token 通常是单个汉字或经过分词后的词语。例如，“人工智能” 可能被拆分为 “人工” 和 “智能”。
• 不同平台对 Token 的定义有所不同。例如，通义千问和千帆大模型中 1 Token 等于 1 个汉字，而腾讯混元大模型中 1 Token 约等于 1.8 个汉字

当我们对文本进行分词后，每个token可以对应一个embedding，这也就是语言模型中的embedding层，获得某个token的embedding就类似一个查表的过程

我们知道文本序列是有顺序的，而常见的语言模型都是基于注意力机制的transformer结构，无法自动考虑文本的前后顺序，因此需要自动加上位置编码，也就是每个位置有一个位置embedding 然后和对应位置的token embedding进行相加

在模型训练或推理阶段大家经常会听到上下文长度这个词，它指的是模型训练时接收的token训练的最大长度，如果在训练阶段只学习了一个较短长度的位置embedding，那模型在推理阶段就不能够适用于较长文本(因为它没见过长文本的位置编码)

语言模型的预训练

当我们有了token的embedding和位置embedding后，将它们送入一个decoder-only的transofrmer模型，它会在每个token的位置输出一个对应的embedding(可以理解为就像是做了个特征加工)

有了每个token的一个输出embedding后，我们就可以拿它来做 next token prediction了，其实就是当作一个分类问题来看待:

• 首先我们把输出embedding送入一个线性层，输出的维度是词表的大小，就是让预测这个token的下一个token属于词表的"哪一个"
• 为了将输出概率归一化，需要再进行一个softmax变换
• 训练时就是最大化这个概率使得它能够预测真实的下一个token
• 推理时就是从这个概率分布中采样下一个token

训练阶段: 因为有 因果自注意力（Causal Self-Attention）的存在，我们可以一次性对一整个句子每个token进行下一个token的预测，并计算所有位置token的loss

因果自注意力通过引入一个“掩码”（mask）来实现这一机制。具体来说：

• 在计算注意力权重时，模型会将当前时刻之后的所有位置的注意力权重设置为零。
• 这样，模型在预测下一个词时，只能基于已经生成的词（即前面的词）来进行预测。

推理阶段:以自回归的方式进行预测

其中，在预测下一个token时，每次我们都有一个概率分布用于采样，根据不同场景选择采样策略会略有不同，比如有贪婪策略、核采样、Top-k采样等，另外经常会看到Temperature这个概念，它是用来控制生成的随机性的，温度系数越小越稳定。

代码实现

https://github.com/karpathy/nanoGPT/tree/master

对于各种基于Transformer的模型，它们都是由很多个Block堆起来的，每个Block主要有两个部分组成：

• Multi-headed Causal Self-Attention
• Feed-forward Neural Network

结构的示意图如下：

看图搭一下单个Block

class Block(nn.Module):
def __init__(self， config):
super().__init__()
self.ln_1 = LayerNorm(config.n_embd， bias=config.bias)
self.attn = CausalSelfAttention(config)
self.ln_2 = LayerNorm(config.n_embd， bias=config.bias)
self.mlp = MLP(config)
def forward(self， x):
x_ = x + self.attn(self.ln_1(x))
x = x + self.mlp(self.ln_2(x_))
return x

整个nano-GPT的结构

class GPT(nn.Module):
def __init__(self， config):
super().__init__()
assert config.vocab_size is not None
assert config.block_size is not None
self.config = config
self.transformer = nn.ModuleDict(dict(
wte = nn.Embedding(config.vocab_size， config.n_embd)，
wpe = nn.Embedding(config.block_size， config.n_embd)，
drop = nn.Dropout(config.dropout)，
h = nn.ModuleList([Block(config) for _ in range(config.n_layer)])，
ln_f = LayerNorm(config.n_embd， bias=config.bias)，
))
self.lm_head = nn.Linear(config.n_embd， config.vocab_size， bias=False)
# with weight tying when using torch.compile() some warnings get generated:
# "UserWarning: functional_call was passed multiple values for tied weights.
# This behavior is deprecated and will be an error in future versions"
# not 100% sure what this is， so far seems to be harmless. TODO investigate
self.transformer.wte.weight = self.lm_head.weight # https://paperswithcode.com/method/weight-tying
# init all weights
self.apply(self._init_weights)
# apply special scaled init to the residual projections， per GPT-2 paper
for pn， p in self.named_parameters():
if pn.endswith('c_proj.weight'):
torch.nn.init.normal_(p， mean=0.0， std=0.02/math.sqrt(2 * config.n_layer))

最后一层用来分类的线性层的权重和token embedding层的权重共享。

训练和推理的forward

首先需要构建token embedding和位置embedding，把它们叠加起来后过一个dropout，然后就可以送入transformer的block中了。

pos = torch.arange(0， t， dtype=torch.long， device=device) # shape (t)
# forward the GPT model itself
tok_emb = self.transformer.wte(idx) # token embeddings of shape (b， t， n_embd)
pos_emb = self.transformer.wpe(pos) # position embeddings of shape (t， n_embd)
x = self.transformer.drop(tok_emb + pos_emb)
for block in self.transformer.h:
x = block(x)
x = self.transformer.ln_f(x)

接下来看推理阶段

• 根据当前输入序列进行一次前向传播
• 利用温度系数对输出概率分布进行调整
• 通过softmax进行归一化
• 从概率分布进行采样下一个token
• 拼接到当前句子并再进入下一轮循环

@torch.no_grad()
def generate(self， idx， max_new_tokens， temperature=1.0， top_k=None):
"""
Take a conditioning sequence of indices idx (LongTensor of shape (b，t)) and complete
the sequence max_new_tokens times， feeding the predictions back into the model each time.
Most likely you'll want to make sure to be in model.eval() mode of operation for this.
"""
for _ in range(max_new_tokens):
# if the sequence context is growing too long we must crop it at block_size
idx_cond = idx if idx.size(1) <= self.config.block_size else idx[:， -self.config.block_size:]
# forward the model to get the logits for the index in the sequence
logits， _ = self(idx_cond)
# pluck the logits at the final step and scale by desired temperature
logits = logits[:， -1， :] / temperature
# optionally crop the logits to only the top k options
if top_k is not None:
v， _ = torch.topk(logits， min(top_k， logits.size(-1)))
logits[logits < v[:， [-1]]] = -float('Inf')
# apply softmax to convert logits to (normalized) probabilities
probs = F.softmax(logits， dim=-1)
# sample from the distribution
idx_next = torch.multinomial(probs， num_samples=1)
# append sampled index to the running sequence and continue
idx = torch.cat((idx， idx_next)， dim=1)
return idx

温度参数（Temperature）的作用

温度参数 temperature 是一个超参数，用于控制生成文本的随机性。它的作用是调整 logits 的分布，从而影响最终的概率分布。

具体来说：

• temperature > 1：增加随机性

• 当温度参数大于 1 时，会放大 logits 的值，使得 logits 的分布更加“平坦”。

• 这意味着在 softmax 转换为概率分布后，各个 token 的概率会更加接近，从而增加生成结果的随机性。

• 例如，假设原始 logits 是 [10， 20， 30]，除以温度参数 2 后变为 [5， 10， 15]，经过 softmax 后，概率分布会更加均匀。

• temperature < 1：减少随机性

• 当温度参数小于 1 时，会缩小 logits 的值，使得 logits 的分布更加“尖锐”。

• 这意味着在 softmax 转换为概率分布后，高概率的 token 会更加突出，而低概率的 token 的概率会进一步降低，从而减少生成结果的随机性。

• 例如，假设原始 logits 是 [10， 20， 30]，除以温度参数 0.5 后变为 [20， 40， 60]，经过 softmax 后，概率分布会更加集中在高概率的 token 上。

• temperature = 1：保持原始分布

• 当温度参数等于 1 时，logits 不变，模型的输出概率分布保持原始的预测结果。

为什么要调整温度参数？

• 增加随机性（temperature > 1）：

• 有助于生成更多样化的文本，避免模型总是生成相同的、高概率的 token。

• 适用于需要创造性或多样性的场景，例如诗歌生成、故事创作等。

• 减少随机性（temperature < 1）：

• 有助于生成更稳定、更符合预期的文本，减少生成的噪声。

• 适用于需要高准确性的场景，例如机器翻译、问答系统等。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“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。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

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技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？