[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-74131":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":10,"language":11,"languages":10,"totalLinesOfCode":10,"stars":12,"forks":13,"watchers":14,"openIssues":15,"contributorsCount":15,"subscribersCount":15,"size":15,"stars1d":16,"stars7d":17,"stars30d":18,"stars90d":15,"forks30d":15,"starsTrendScore":19,"compositeScore":20,"rankGlobal":10,"rankLanguage":10,"license":21,"archived":22,"fork":22,"defaultBranch":23,"hasWiki":24,"hasPages":24,"topics":25,"createdAt":10,"pushedAt":10,"updatedAt":32,"readmeContent":33,"aiSummary":34,"trendingCount":15,"starSnapshotCount":15,"syncStatus":35,"lastSyncTime":36,"discoverSource":37},74131,"LLMForEverybody","luhengshiwo\u002FLLMForEverybody","luhengshiwo","每个人都能看懂的大模型知识分享，LLMs春\u002F秋招大模型面试前必看，让你和面试官侃侃而谈","https:\u002F\u002Fwww.learnllm.ai",null,"Jupyter Notebook",6695,626,31,0,18,73,210,54,114.39,"Apache License 2.0",false,"main",true,[26,27,28,29,30,31],"agent","interview-practice","interview-questions","learnllm","llm","rag","2026-06-12 04:01:13","\u003Cp align=\"center\"> \n\u003Cimg src=\"pic\u002Fcommon\u002Fpr\u002Flearnllm.png\" alt=\"LearnLLM.AI\" width=\"600\">\n\u003C\u002Fp>\n\u003Cp align=\"center\"> \n  \u003Ca href=\"https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FcV6v7yGmwYa2WwNDZjLPiQ\">\u003Cimg src=\"pic\u002Fcommon\u002Fsvg\u002Fwechat.svg\" alt=\"微信公众号\" height=\"20\">\u003C\u002Fa>\n   \n  \u003Ca href=\"https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fluhengshiwo\">\u003Cimg src=\"pic\u002Fcommon\u002Fsvg\u002Fzhihu.svg\" alt=\"知乎\" height=\"20\">\u003C\u002Fa>\n   \n  \u003Ca href=\"https:\u002F\u002Fblog.csdn.net\u002Fqq_25295605?spm=1011.2415.3001.5343\">\u003Cimg src=\"pic\u002Fcommon\u002Fsvg\u002Fcsdn.svg\" alt=\"CSDN\" height=\"20\">\u003C\u002Fa>\n   \n  \u003Ca href=\"https:\u002F\u002Fjuejin.cn\u002Fuser\u002F3824524390049531\">\u003Cimg src=\"pic\u002Fcommon\u002Fsvg\u002Fjuejin.svg\" alt=\"掘金\" height=\"20\">\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\u003Cstrong>Learning LLM is all you need.\u003C\u002Fstrong>\u003C\u002Fp>\n\n\u003Cp align=\"center\">\u003Cstrong>👉 点击 \u003Ca href=\"https:\u002F\u002Flearnllm.ai?ref=github\">LearnLLM.AI\u003C\u002Fa> | 学习大模型，从这里开始\u003C\u002Fstrong>\u003C\u002Fp>\n\n## LearnLLM.AI 核心亮点\n\n **精选大模型面试题库**：覆盖从基础到前沿的实战题目，助您高效备战求职，抓住职业机遇；\n\n **系统化论文研读**：从2017年Transformer奠基性论文出发，按清晰的知识体系梳理技术演进，适合不同基础的开发者循序渐进地深度提升。\n\n\n**专属优惠码**\n\n我们为Github用户准备了限时专属优惠码：***GITHUB50*** ，期待在 [LearnLLM.AI](https:\u002F\u002Flearnllm.ai?ref=github) 与您继续同行，共同成长！\n\n**配套视频教程(持续更新中)**：\n\n👉 点击这里 [bilibili](https:\u002F\u002Fspace.bilibili.com\u002F37863979\u002Flists?sid=7144646)   \n\n👉 点击这里 [YouTube](https:\u002F\u002Fwww.youtube.com\u002F@learnllm-ai)\n\n*如有疑问，欢迎随时联系我们。*\n\n*Happy Learning！*\n\n*LearnLLM.AI 团队*\n\n---\n\n## LLM 精选论文\n\n| 时间 | 论文 | 介绍 | 视频 | 开始学习 |\n| --- | --- | --- | --- | --- |\n| 2017-06-12 | [Transformer](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.03762) | 提出自注意力与 Transformer 架构 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Ftransformer.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1YPrKBuEjk) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=transformer&ref=github) |\n| 2018-06-11 | [GPT-1](https:\u002F\u002Fcdn.openai.com\u002Fresearch-covers\u002Flanguage-unsupervised\u002Flanguage_understanding_paper.pdf) | 预训练 + 微调的生成式 Transformer | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Fgpt1.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1gW6QBFEG4) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=gpt1&ref=github) |\n| 2018-10-11 | [BERT](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.04805) | 双向编码器：MLM + NSP | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Fbert.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1n2kFBgEJ5) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=bert&ref=github) |\n| 2019-02-14 | [GPT-2](https:\u002F\u002Fcdn.openai.com\u002Fbetter-language-models\u002Flanguage_models_are_unsupervised_multitask_learners.pdf) | 大规模无监督文本生成 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Fgpt2.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1VwkWBtEfe) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=gpt2&ref=github) |\n| 2019-10-23 | [T5](https:\u002F\u002Farxiv.org\u002Fabs\u002F1910.10683) | 文本到文本统一框架 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Ft5.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1fHBfBdEGY) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=t5&ref=github) |\n| 2020-05-28 | [GPT-3](https:\u002F\u002Farxiv.org\u002Fabs\u002F2005.14165) | 大模型与少样本学习能力 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Fgpt3.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV14Z63ByEWV) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=gpt3&ref=github) |\n| 2020-10 | [ViT](https:\u002F\u002Farxiv.org\u002Fabs\u002F2010.11929) | 将 Transformer 主干引入视觉领域 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002FViT.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1UYAuzaEHd\u002F) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=vit&ref=github) |\n| 2021-02 | [ViLT](https:\u002F\u002Farxiv.org\u002Fabs\u002F2102.03334) | 极简视觉语言预训练架构 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002FViLT.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1vgXDBAEzM) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=vilt&ref=github) |\n| 2021-02 | [CLIP](https:\u002F\u002Farxiv.org\u002Fabs\u002F2103.00020) | 用自然语言监督实现零样本视觉学习 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002FCLIP.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1wGDvBfEv6) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=clip&ref=github) |\n| 2021-02 | [DALL·E 1](https:\u002F\u002Farxiv.org\u002Fabs\u002F2102.12092) | 自回归文本生成图像的开端 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002FDALLE1.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1zPXDBTE3c) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=dalle-1&ref=github) |\n| 2021-07-07 | [CodeX](https:\u002F\u002Farxiv.org\u002Fabs\u002F2107.03374) | 面向代码生成的 GPT 系列模型 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Fcodex.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1JC67BEE7b) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=codex&ref=github) |\n| 2021-12 | [Stable Diffusion](https:\u002F\u002Farxiv.org\u002Fabs\u002F2112.10752) | 潜空间扩散模型推动文生图开源化 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002FStable_Diffusion.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1HGDvBfE6g) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=stable-diffusion&ref=github) |\n| 2022-02-08 | [AlphaCode](https:\u002F\u002Farxiv.org\u002Fabs\u002F2203.07814) | 竞赛级代码生成系统 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Falphacode.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1KbFTz2E8p) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=alphacode&ref=github) |\n| 2022-03-04 | [InstructGPT](https:\u002F\u002Farxiv.org\u002Fabs\u002F2203.02155) | 人类反馈对齐与指令微调 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Finstructgpt.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1qVFFzCERD) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=instructgpt&ref=github) |\n| 2022-04 | [DALL·E 2](https:\u002F\u002Farxiv.org\u002Fabs\u002F2204.06125) | 基于 CLIP Latents 的高保真文生图 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002FDALLE2.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1wCDQBkEbx) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=dalle-2&ref=github) |\n| 2022-12 | [Whisper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2212.04356) | 大规模弱监督语音识别基础模型 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Fwhisper.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1FmRyBhE21) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=whisper&ref=github) |\n| 2023-02-27 | [LLaMA-1](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2302.13971) | 高效开源预训练基座模型 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Fllama-1.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1PqNMzZEw2) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=llama1&ref=github) |\n| 2023-04 | [LLaVA](https:\u002F\u002Farxiv.org\u002Fabs\u002F2304.08485) | 开源多模态指令微调的重要起点 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002FLLaVA.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1c2DQB6EtH) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=llava&ref=github) |\n| 2023-07-18 | [LLaMA-2](https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.09288) | LLaMA 升级版，开放商用 |  [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Fllama-2.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1ckNMzsEXJ)  | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=llama2&ref=github) |\n| 2023-08 | [Qwen-VL](https:\u002F\u002Farxiv.org\u002Fabs\u002F2308.12966) | 通义千问早期视觉语言基座模型 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002FQwen-VL.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1i2dZBaE9T) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=qwen-vl&ref=github) |\n| 2023-09-28 | [Qwen 1](https:\u002F\u002Farxiv.org\u002Fabs\u002F2309.16609) | 通义千问第一代基座模型 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Fqwen1.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1FdwtziE2M) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=qwen-1&ref=github) |\n| 2023-10-10 | [Mistral 7B](https:\u002F\u002Farxiv.org\u002Fabs\u002F2310.06825) | 高效 7B 级开源模型 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Fmistral_7b.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV19uwbzdEjj) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=mistral-7b&ref=github) |\n| 2023-12 | [LVM](https:\u002F\u002Farxiv.org\u002Fabs\u002F2312.00785) | 纯视觉自回归建模的大视觉模型路线 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002FLVM.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1rzdZBTENn) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=lvm&ref=github) |\n| 2024-02 | [Mixtral 8x7B](https:\u002F\u002Farxiv.org\u002Fabs\u002F2401.04088) | 开源稀疏 MoE 的代表作 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002FMixtral_8x7B_.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV116AuzoEMk) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=mixtral-8x7b&ref=github) |\n| 2024-03 | [Gemma 1](https:\u002F\u002Farxiv.org\u002Fabs\u002F2403.08295) | Google 轻量开源模型家族首作 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002FGemma-1.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV12jR1B6EKB) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=gemma1&ref=github) |\n| 2024-05 | [DeepSeek-V2](https:\u002F\u002Farxiv.org\u002Fabs\u002F2405.04434) | 高效 MoE 语言模型，兼顾性能与推理经济性 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002Fdeepseek-V2.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1gGZFBtEnB) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=deepseek-v2&ref=github) |\n| 2024-06 | [ChatGLM](https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.12793) | 从 GLM-130B 演进到 GLM-4 的国产模型家族 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002FChatGLM.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1yh5t6dEvG) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=chatglm&ref=github) |\n| 2024-07 | [Llama 3](https:\u002F\u002Farxiv.org\u002Fabs\u002F2407.21783) | Meta 新一代开源旗舰模型 | [\u003Cimg src=\"https:\u002F\u002Flearnllm.ai\u002Fvideo_cover\u002FLLaMA-3.jpg\" width=\"200\">](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1x85t64Exx) | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=llama3-1&ref=github) |\n| 2024-07 | [Gemma 2](https:\u002F\u002Farxiv.org\u002Fabs\u002F2408.00118) | 在实用尺寸上继续提升开源模型性能 |  | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=gemma2&ref=github) |\n| 2025-03 | [Gemma 3](https:\u002F\u002Farxiv.org\u002Fabs\u002F2503.19786) | 原生多模态与 128K 长上下文的 Gemma |  | [![LearnLLM.AI](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLearnLLM.AI-green)](https:\u002F\u002Fwww.learnllm.ai\u002Flearning?milestone=gemma3&ref=github) |\n持续更新中...\n\n\u003Cdetails open>\n\u003Csummary>点击展开\u002F收起\u003C\u002Fsummary>\n\n\u003Cimg src=\"pic\u002Fpaper_roadmap.png\" alt=\"roadmap\" \u002F>\n\u003C\u002Fdetails>\n\n## AGI 之路\n\n\u003Cdetails open>\n\u003Csummary>点击展开\u002F收起\u003C\u002Fsummary>\n\n### 目录\n\n- 🐳[序-AGI之路](#序-AGI之路)\n- 🐱[第一章-大模型之Pre-Training](#第一章-大模型之Pre-Training)\n  - 🐼[架构](#架构)\n  - 🐹[Optimizer](#Optimizer)\n  - 🐰[激活函数](#激活函数)\n  - 🐭[Attention](#Attention机制)\n  - 🐯[位置编码](#位置编码)\n  - 🐨[Tokenizer](#Tokenizer)\n  - 🐻[并行策略](#并行策略)\n  - 🐷[大模型训练框架](#大模型训练框架)\n- 🐶[第二章-大模型之部署与推理](#第二章-大模型之部署与推理)\n- 🐯[第三章-大模型微调](#第三章-大模型微调)\n- 🐻[第四章-大模型量化](#第四章-大模型量化)\n- 🐼[第五章-显卡与大模型并行](#第五章-显卡与大模型并行)\n- 🐨[第六章-Prompt-Engineering](#第六章-Prompt-Engineering)\n- 🦁[第七章-Agent](#第七章-Agent)\n  - 🐷[RAG](#RAG)\n- 🐘[第八章-大模型企业落地](#第八章-大模型企业落地)\n- 🐰[第九章-大模型评估指标](#第九章-大模型评估指标)\n- 🐷[第十章-热点](#第十章-热点)\n- 🦁[第十一章-数学](#第十一章-数学)\n\n### 序-AGI之路\n\n**[⬆ 一键返回目录](#目录)** \n\n#### 大模型年度论文总结\n\n[2017：Transformer 出现，一切从这里开始](00-序-AGI之路\u002F大模型年度论文总结\u002F2017.md)\n\n[2018：GPT 和 BERT，预训练开始分成两条线](00-序-AGI之路\u002F大模型年度论文总结\u002F2018.md)\n\n[2019：模型开始变大，GPT-2 和 T5](00-序-AGI之路\u002F大模型年度论文总结\u002F2019.md)\n\n[2020：GPT-3 来了，1750 亿参数到底带来了什么](00-序-AGI之路\u002F大模型年度论文总结\u002F2020.md)\n\n[2021：不只是文本，CLIP 让模型开始看图](00-序-AGI之路\u002F大模型年度论文总结\u002F2021.md)\n\n[2022：让模型更听话，InstructGPT 和 RLHF](00-序-AGI之路\u002F大模型年度论文总结\u002F2022.md)\n\n[2023：LLaMA 放出来之后，开源模型开始追上来](00-序-AGI之路\u002F大模型年度论文总结\u002F2023.md)\n\n[2024：开源模型开始重新算训练和推理这笔账](00-序-AGI之路\u002F大模型年度论文总结\u002F2024.md)\n\n[大家都在谈的Scaling_Law是什么](00-序-AGI之路\u002F大家都在谈的ScalingLaw是什么.md)\n\n[智能涌现和AGI的起源](00-序-AGI之路\u002F智能涌现和AGI的起源.md)\n\n[什么是perplexity](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzkyOTY4Mjc4MQ==&mid=2247483766&idx=1&sn=56563281557b6f58feacb935eb6a872a&chksm=c2048544f5730c52cf2bf4c9ed60ac0a21793bacdddc4d63b481d4aa887bc6a838fecf0b6cc7&token=607452854&lang=zh_CN#rd)\n\n[Pre-Training预训练Llama-3.1 405B超大杯，需要多少算力资源？](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzkyOTY4Mjc4MQ==&mid=2247483839&idx=1&sn=3f35dfe8ed2c87bf4c0b4ac7bfa3e6a9&chksm=c204858df5730c9b8a152a0330dee0183467a063c25aadd0da7cc47d9d5b2f97347fab22708d&token=607452854&lang=zh_CN#rd)\n\n### 第一章-大模型之Pre-Training\n\n**[⬆ 一键返回目录](#目录)** \n\n#### 架构\n\n[10分钟搞清楚为什么Transformer中使用LayerNorm而不是BatchNorm](01-第一章-预训练\u002F10分钟搞清楚为什么Transformer中使用LayerNorm而不是BatchNorm.md)\n\n[混合专家模型MoE详解节选](01-第一章-预训练\u002F混合专家模型MoE详解节选.md)\n\n[最简单的方式理解Mamba（中文翻译）](01-第一章-预训练\u002F最简单的方式理解Mamba（中文翻译）.md)\n\n[10分钟了解什么是多模态大模型](01-第一章-预训练\u002F10分钟了解什么是多模态大模型.md)\n\n#### Optimizer\n\n[全网最全的神经网络优化器optimizer总结](01-第一章-预训练\u002F全网最全的神经网络优化器optimizer总结.md)\n\n[神经网络的优化器（一）综述](01-第一章-预训练\u002F神经网络的优化器（一）概述.md)\n\n[神经网络的优化器（二）SGD](01-第一章-预训练\u002F神经网络的优化器（二）SGD.md)\n\n[神经网络的优化器（三）Momentum](01-第一章-预训练\u002F神经网络的优化器（三）Momentum.md)\n\n[神经网络的优化器（四）ASGD](01-第一章-预训练\u002F神经网络的优化器（四）ASGD.md)\n\n[神经网络的优化器（五）Rprop](01-第一章-预训练\u002F神经网络的优化器（五）Rprop.md)\n\n[神经网络的优化器（六）AdaGrad](01-第一章-预训练\u002F神经网络的优化器（六）AdaGrad.md)\n\n[神经网络的优化器（七）AdaDeleta](01-第一章-预训练\u002F神经网络的优化器（七）AdaDeleta.md)\n\n[神经网络的优化器（八）RMSprop](01-第一章-预训练\u002F神经网络的优化器（八）RMSprop.md)\n\n[神经网络的优化器（九）Adam](01-第一章-预训练\u002F神经网络的优化器（九）Adam.md)\n\n[神经网络的优化器（十）Nadam](01-第一章-预训练\u002F神经网络的优化器（十）Nadam.md)\n\n[神经网络的优化器（十一）AdamW](01-第一章-预训练\u002F神经网络的优化器（十一）AdamW.md)\n\n[神经网络的优化器（十二）RAdam](01-第一章-预训练\u002F神经网络的优化器（十二）RAdam.md)\n\n#### 激活函数\n\n[为什么大型语言模型都在使用SwiGLU作为激活函数？](01-第一章-预训练\u002F为什么大型语言模型都在使用SwiGLU作为激活函数？.md)\n\n[神经网络的激活函数（一）概述](01-第一章-预训练\u002F神经网络的激活函数（一）概述.md)\n\n[神经网络的激活函数（二）Sigmiod、Softmax和Tanh](01-第一章-预训练\u002F神经网络的激活函数（二）Sigmiod、Softmax和Tanh.md)\n\n[神经网络的激活函数（三）ReLU和它的变种](01-第一章-预训练\u002F神经网络的激活函数（三）ReLU和它的变种.md)\n\n[神经网络的激活函数（四）ELU和它的变种SELU](01-第一章-预训练\u002F神经网络的激活函数（四）ELU和它的变种SELU.md)\n\n[神经网络的激活函数（五）门控系列-GLU、Swish和SwiGLU](01-第一章-预训练\u002F神经网络的激活函数（五）门控系列-GLU、Swish和SwiGLU.md)\n\n[神经网络的激活函数（六）GELU和Mish](\u003C01-第一章-预训练\u002F神经网络的激活函数（六）GELU和Mish.md>)\n\n#### Attention机制\n\n[看懂FlashAttention需要的数学储备是？高考数学最后一道大题](01-第一章-预训练\u002F看懂FlashAttention需要的数学储备是？高考数学最后一道大题！.md)\n\n[FlashAttentionv2相比于v1有哪些更新？](\u003C01-第一章-预训练\u002FFlashAttentionv2相比于v1有哪些更新？.md>)\n\n[为什么会发展出Multi-Query-Attention和Group-Query-Attention](\u003C01-第一章-预训练\u002F为什么会发展出Multi-Query-Attention和Group-Query-Attention.md>)\n\n[一文了解Deepseek系列中的MLA技术](01-第一章-预训练\u002F一文了解Deepseek系列中的MLA技术.md)\n\n#### 位置编码\n\n[什么是大模型的位置编码Position-Encoding](\u003C01-第一章-预训练\u002F什么是大模型的位置编码Position-Encoding.md>)\n\n[复变函数在大模型位置编码中的应用](01-第一章-预训练\u002F复变函数在大模型位置编码中的应用.md)\n\n[最美的数学公式-欧拉公式](01-第一章-预训练\u002F最美的数学公式-欧拉公式.md)\n\n[从欧拉公式的美到旋转位置编码RoPE](01-第一章-预训练\u002F从欧拉公式的美到旋转位置编码RoPE.md)\n\n#### Tokenizer\n\n[全网最全的大模型分词器（Tokenizer）总结](01-第一章-预训练\u002F全网最全的大模型分词器（Tokenizer）总结.md)\n\n[搞懂大模型的分词器（一）](01-第一章-预训练\u002F搞懂大模型的分词器（一）.md)\n\n[搞懂大模型的分词器（二）](01-第一章-预训练\u002F搞懂大模型的分词器（二）.md)\n\n[搞懂大模型的分词器（三）](01-第一章-预训练\u002F搞懂大模型的分词器（三）.md)\n\n[搞懂大模型的分词器（四）](01-第一章-预训练\u002F搞懂大模型的分词器（四）.md)\n\n[搞懂大模型的分词器（五）](01-第一章-预训练\u002F搞懂大模型的分词器（五）.md)\n\n[搞懂大模型的分词器（六）](01-第一章-预训练\u002F搞懂大模型的分词器（六）.md)\n\n#### 并行策略\n\n[大模型并行策略[中文翻译]](01-第一章-预训练\u002F大模型并行策略[中文翻译].md)\n\n[大模型分布式训练并行技术（一）概述](01-第一章-预训练\u002F大模型分布式训练并行技术（一）概述.md)\n\n[大模型分布式训练并行技术（二）数据并行](01-第一章-预训练\u002F大模型分布式训练并行技术（二）数据并行.md)\n\n[大模型分布式训练并行技术（三）流水线并行](01-第一章-预训练\u002F大模型分布式训练并行技术（三）流水线并行.md)\n\n[大模型分布式训练并行技术（四）张量并行](01-第一章-预训练\u002F大模型分布式训练并行技术（四）张量并行.md)\n\n[大模型分布式训练并行技术（五）混合并行](01-第一章-预训练\u002F大模型分布式训练并行技术（五）混合并行.md)\n\n#### 大模型训练框架\n\n[大模型训练框架（一）综述](01-第一章-预训练\u002F大模型训练框架（一）综述.md)\n\n[大模型训练框架（二）FSDP](01-第一章-预训练\u002F大模型训练框架（二）FSDP.md)\n\n[大模型训练框架（三）DeepSpeed](01-第一章-预训练\u002F大模型训练框架（三）DeepSpeed.md)\n\n[大模型训练框架（四）Megatron-LM](01-第一章-预训练\u002F大模型训练框架（四）Megatron-LM.md)\n\n[大模型训练框架（五）Accelerate](01-第一章-预训练\u002F大模型训练框架（五）Accelerate.md)\n\n\n### 第二章-大模型之部署与推理\n\n**[⬆ 一键返回目录](#目录)**\n\n[10分钟私有化部署大模型到本地](02-第二章-部署与推理\u002F10分钟私有化部署大模型到本地.md)\n\n[模型部署不求人！从TTFT到Throughput的性能估算终极公式](02-第二章-部署与推理\u002F模型部署不求人！从TTFT到Throughput的性能估算终极公式.md)\n\n[大模型output-token为什么比input-token贵](\u003C02-第二章-部署与推理\u002F大模型output-token为什么比input-token贵？.md>)\n\n[如何评判大模型的输出速度？首Token延迟和其余Token延迟有什么不同？](02-第二章-部署与推理\u002F如何评判大模型的输出速度？首Token延迟和其余Token延迟有什么不同？.md)\n\n[大模型的latency（延迟）和throughput（吞吐量）有什么区别](02-第二章-部署与推理\u002F大模型的latency（延迟）和throughput（吞吐量）有什么区别.md)\n\n[vLLM使用PagedAttention轻松、快速且廉价地提供LLM服务（中文版翻译）](\u003C02-第二章-部署与推理\u002FvLLM使用PagedAttention轻松、快速且廉价地提供LLM服务（中文版翻译）.md>)\n\n[DevOps，AIOps，MLOps，LLMOps，这些Ops都是什么？](\u003C02-第二章-部署与推理\u002FDevOps，AIOps，MLOps，LLMOps，这些Ops都是什么？.md>)\n\n[大模型推理框架（一）综述](02-第二章-部署与推理\u002F大模型推理框架（一）综述.md)\n\n[大模型推理框架（二）vLLM](02-第二章-部署与推理\u002F大模型推理框架（二）vLLM.md)\n\n[大模型推理框架（三）Text generation inference (TGI)](\u003C02-第二章-部署与推理\u002F大模型推理框架（三）Text generation inference (TGI).md>)\n\n[大模型推理框架（四）TensorRT-LLM](02-第二章-部署与推理\u002F大模型推理框架（四）TensorRT-LLM.md)\n\n[大模型推理框架（五）Ollama](02-第二章-部署与推理\u002F大模型推理框架（五）Ollama.md)\n\n### 第三章-大模型微调\n\n**[⬆ 一键返回目录](#目录)**\n\n[10分钟教你套壳（不是）Llama-3，小白也能上手](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzkyOTY4Mjc4MQ==&mid=2247483895&idx=1&sn=72e9ca9874aeb4fd51a076c14341242f&chksm=c20485c5f5730cd38f43cf32cc851ade15286d5bd14c8107906449f8c52db9d3bfd72cfc40c8&token=607452854&lang=zh_CN#rd)\n\n[大模型的参数高效微调（PEFT），LoRA微调以及其它](03-第三章-微调\u002F大模型的参数高效微调（PEFT），LoRA微调以及其它.md)\n\n[大模型微调之Soft prompts（一）概述](\u003C03-第三章-微调\u002F大模型微调之Soft prompts（一）概述.md>)\n\n[大模型微调之Soft prompts（二）Prompt Tuning](\u003C03-第三章-微调\u002F大模型微调之Soft prompts（二）Prompt Tuning.md>)\n\n[大模型微调之Soft prompts（三）Prefix-Tuning](\u003C03-第三章-微调\u002F大模型微调之Soft prompts（三）Prefix-Tuning.md>)\n\n[大模型微调之Soft prompts（四）P-Tuning](\u003C03-第三章-微调\u002F大模型微调之Soft prompts（四）P-Tuning.md>)\n\n[大模型微调之Soft prompts（五）Multitask prompt tuning](\u003C03-第三章-微调\u002F大模型微调之Soft prompts（五）Multitask prompt tuning.md>)\n\n[大模型微调之Adapters（一）概述](03-第三章-微调\u002F大模型微调之Adapters（一）概述.md)\n\n[大模型微调之Adapters（二）LoRA](03-第三章-微调\u002F大模型微调之Adapters（二）LoRA.md)\n\n[大模型微调之Adapters（三）QLoRA](03-第三章-微调\u002F大模型微调之Adapters（三）QLoRA.md)\n\n[大模型微调之Adapters（四）AdaLoRA](03-第三章-微调\u002F大模型微调之Adapters（四）AdaLoRA.md)\n\n[大模型微调框架（一）综述](03-第三章-微调\u002Fassest\u002F大模型微调框架（一）综述)\n\n[大模型微调框架（二）Huggingface-PEFT](03-第三章-微调\u002Fassest\u002F大模型微调框架（二）Huggingface-PEFT)\n\n[大模型微调框架（三）Llama-Factory](03-第三章-微调\u002Fassest\u002F大模型微调框架（三）Llama-Factory)\n\n### 第四章-大模型量化\n\n**[⬆ 一键返回目录](#目录)**\n\n[10分钟理解大模型的量化](04-第四章-量化\u002F10分钟理解大模型的量化.md)\n\n[大模型量化认知的三重境界](04-第四章-量化\u002F大模型量化认知的三重境界.md)\n\n### 第五章-显卡与大模型并行\n\n**[⬆ 一键返回目录](#目录)**\n\n[AGI时代人人都可以看懂的显卡知识](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzkyOTY4Mjc4MQ==&mid=2247484001&idx=1&sn=5a178a9006cc308f2e84b5a0db6994ff&chksm=c2048653f5730f45b3b08af03023aee24969d89ad5586e4e25c68b09393bf5a8abfd9670a6f3&token=607452854&lang=zh_CN#rd)\n\n[Transformer架构的GPU并行和之前的NLP算法有什么不同？](05-第五章-显卡与并行\u002FTransformer架构的GPU并行和之前的NLP算法有什么不同？.md)\n\n[大模型部署三要素：显存、计算与通信深度解析](05-第五章-显卡与并行\u002F大模型部署三要素：显存、计算与通信深度解析.md)\n\n### 第六章-Prompt-Engineering\n\n**[⬆ 一键返回目录](#目录)**\n\n[过去式就能越狱大模型？一文了解大模型安全攻防战](\u003C06-第六章-Prompt Engineering\u002F过去式就能越狱大模型？一文了解大模型安全攻防战.md>)\n\n[万字长文Prompt-Engineering-解锁大模型的力量](\u003C06-第六章-Prompt Engineering\u002F万字长文Prompt-Engineering-解锁大模型的力量.md>)\n\n[COT思维链，TOT思维树，GOT思维图，这些都是什么](\u003C06-第六章-Prompt Engineering\u002FCOT思维链，TOT思维树，GOT思维图，这些都是什么.md>)\n\n### 第七章-Agent\n\n**[⬆ 一键返回目录](#目录)**\n\n[如何设计智能体架构：参考OpenAI还是Anthropic?](07-第七章-Agent\u002F如何设计智能体架构：参考OpenAI还是Anthropic?.md)\n\n[MCP：基础概念、快速应用和背后原理](07-第七章-Agent\u002FMCP：基础概念、快速应用和背后原理.md)\n\n[LLM应用落地指南之应用的分类(一)](07-第七章-Agent\u002FLLM应用落地指南之应用的分类(一).md)\n\n[LLM应用落地之架构设计（二）](07-第七章-Agent\u002FLLM应用落地之架构设计（二）.md)\n\n[LLM应用落地之Text-2-SQL（三）](07-第七章-Agent\u002FLLM应用落地之Text-2-SQL（三）.md)\n\n[开发大模型or使用大模型](07-第七章-Agent\u002F开发大模型or使用大模型.md)\n\n[Agent设计范式与常见框架](07-第七章-Agent\u002FAgent设计范式与常见框架.md)\n\n[langchain向左coze向右](07-第七章-Agent\u002Flangchain向左coze向右.md)\n\n#### RAG\n\n[向量数据库拥抱大模型](07-第七章-Agent\u002F向量数据库拥抱大模型.md)\n\n[搭配Knowledge-Graph的RAG架构](\u003C07-第七章-Agent\u002F搭配Knowledge-Graph的RAG架构.md>)\n\n[GraphRAG：解锁大模型对叙述性私人数据的检索能力（中文翻译）](\u003C07-第七章-Agent\u002FGraphRAG解锁大模型对叙述性私人数据的检索能力（中文翻译）.md>)\n\n[干货：落地企业级RAG的实践指南](\u003C07-第七章-Agent\u002F干货-落地企业级RAG的实践指南.md>)\n\n[10分钟了解如何进行多模态RAG](07-第七章-Agent\u002F10分钟了解如何进行多模态RAG.md)\n\n### 第八章-大模型企业落地\n\n**[⬆ 一键返回目录](#目录)**\n\n[CRUD-ETL工程师的末日从NL2SQL到ChatBI](08-第八章-大模型企业落地\u002FCRUDETL工程师的末日从NL2SQL到ChatBI.md)\n\n[大模型落地难点之幻觉](08-第八章-大模型企业落地\u002F大模型落地难点之幻觉.md)\n\n[大模型落地难点之输出的不确定性](08-第八章-大模型企业落地\u002F大模型落地难点之输出的不确定性.md)\n\n[大模型落地难点之结构化输出](08-第八章-大模型企业落地\u002F大模型落地难点之结构化输出.md)\n\n[大模型应用涌现出的新工作机会-红队测试Red-teaming](08-第八章-大模型企业落地\u002F大模型应用涌现出的新工作机会-红队测试Red-teaming.md)\n\n[大模型复读机问题](08-第八章-大模型企业落地\u002F大模型复读机问题.md)\n\n### 第九章-大模型评估指标\n\n[大模型有哪些评估指标？](09-第九章-评估指标\u002F大模型有哪些评估指标？.md)\n\n[大模型性能评测之大海捞针(Needle In A Haystack)](09-第九章-评估指标\u002F大模型性能评测之大海捞针.md)\n\n[评估指标\u002F大模型性能评测之数星星](09-第九章-评估指标\u002F大模型性能评测之数星星.md)\n\n### 第十章-热点\n\n**[⬆ 一键返回目录](#目录)**\n\n[Llama 3.1 405B 为什么这么大？](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzkyOTY4Mjc4MQ==&mid=2247483782&idx=1&sn=3a14a0cde14eb6643beaeb5b472ffa26&chksm=c20485b4f5730ca2d7b002a29e617a75c08d004a1b3da891ab352cbe31ca37541a546e29abc7&token=607452854&lang=zh_CN#rd)\n\n[9.11大于9.9？大模型怎么又翻车了？](https:\u002F\u002Fmp.weixin.qq.com\u002Fs?__biz=MzkyOTY4Mjc4MQ==&mid=2247483800&idx=1&sn=48b326352c37d686f7f46ee5df9f00b4&chksm=c20485aaf5730cbca8f0dfcb9746830229b8f07eec092e0e124bc558d1073ee32e3f55716221&token=607452854&lang=zh_CN#rd)\n\n[韩国“N 号房”事件因Deep Fake再现，探究背后的技术和应对方法](\u003C10-第十章-热点\u002F韩国“N 号房”事件因Deep-Fake再现，探究背后的技术和应对方法.md>)\n\n[我是怎么通过2022下半年软考高级：系统架构设计师考试的](10-第十章-热点\u002F我是怎么通过2022下半年软考高级：系统架构设计师考试的.md)\n\n[用Exploit and Explore解决不知道吃什么的选择困难症](\u003C10-第十章-热点\u002F用Exploit-and-Explore解决不知道吃什么的选择困难症.md>)\n\n### 第十一章-数学\n\n**[⬆ 一键返回目录](#目录)**\n\n#### 线性代数\n\n[0基础学习AI大模型必备数学知识之线性代数（一）](11-第十一章-数学\u002Flinear-algebra\u002F0基础学习AI大模型必备数学知识之线性代数（一）.md)\n\n[0基础学习AI大模型必备数学知识之线性代数（二）](11-第十一章-数学\u002Flinear-algebra\u002F0基础学习AI大模型必备数学知识之线性代数（二）.md)\n\n[0基础学习AI大模型必备数学知识之线性代数（三）](11-第十一章-数学\u002Flinear-algebra\u002F0基础学习AI大模型必备数学知识之线性代数（三）.md)\n\n#### 微积分\n\n[0基础学习AI大模型必备数学知识之微积分（一）](11-第十一章-数学\u002Fcalculus\u002F0基础学习AI大模型必备数学知识之微积分（一）.md)\n\n[0基础学习AI大模型必备数学知识之微积分（二）](11-第十一章-数学\u002Fcalculus\u002F0基础学习AI大模型必备数学知识之微积分（二）.md)\n\n#### 概率统计\n\n[0基础学习AI大模型必备数学知识之概率统计（一）贝叶斯定理和概率分布](11-第十一章-数学\u002FProbability&Statistics\u002F0基础学习AI大模型必备数学知识之概率统计（一）贝叶斯定理和概率分布.md)\n\n[0基础学习AI大模型必备数学知识之概率统计（二）概率分布的描述方法](11-第十一章-数学\u002FProbability&Statistics\u002F0基础学习AI大模型必备数学知识之概率统计（二）概率分布的描述方法.md)\n\n[0基础学习AI大模型必备数学知识之概率统计（三）中心极限定理](11-第十一章-数学\u002FProbability&Statistics\u002F0基础学习AI大模型必备数学知识之概率统计（三）中心极限定理.md)\n\n\u003C\u002Fdetails>\n\n---\n\n## 🌐 点击 [LearnLLM.AI](https:\u002F\u002Flearnllm.ai?ref=github) | 学习大模型，从这里开始\n\n\n[![Star History Chart](https:\u002F\u002Fapi.star-history.com\u002Fsvg?repos=luhengshiwo\u002FLLMForEverybody&type=Date)](https:\u002F\u002Fstar-history.com\u002F#luhengshiwo\u002FLLMForEverybody&Date)\n","LLMForEverybody 是一个专注于大模型知识分享的项目，旨在帮助开发者理解和掌握大模型技术。其核心功能包括精选的大模型面试题库和系统化的论文研读，覆盖从基础到前沿的技术内容。项目采用Jupyter Notebook编写，便于读者实践与理解。适合准备春\u002F秋招面试、希望深入了解大模型技术或想要提升自身技能的开发者使用。通过该项目的学习，用户可以循序渐进地提高自己在大模型领域的知识水平和技术能力。",2,"2026-06-11 03:48:58","high_star"]