1 大语言模型步骤

1.1 pre-training 预训练

1.1.1 从网上爬数据

download and preprocess the internet, including url filtering(like, removing racist/adult websites), PII removal(personal identifiable information should be removed, 豆包被爆输出个人信息，所以是这一点没有做好)
数据规模大概是44TB左右，不大，甚至一个大点的移动硬盘就可以装下。

1.1.2 tokenization

tokenization = context -> symbols/a sequence of tokens

1. 文字编码的本质就是把字或字母转成一个有限表示的序列，比如a-z可以用1-26来表示。
2. 这个序列不希望太长，要不然变相挤占了输入资源

1.1.2.1 tokenization using byte pair encoding

找到常出现的编码对，比如（125 67），就把它合成为一个新编码符号（比如301），然后再看有没有新的编码对，比如（301 786），那就再把这个合成新的。这样做decrease the length and increase the symbol size, in practice symbol size turns out to be 100k。

44TB -> 15 trillion万亿 token sequences

1.3 预训练

1.3.1 context

选取任意长度的token窗口arbitrary window lengths of tokens, but in practice the maximum length is often set as 16k/8k/4k

1.3.2 training

模型输出每个token的概率，和真值算loss

1.3.3 输出

做完预训练的模型一般称为base，base一般不会被release出来。
如果给base输入一句话，它不会回答，只会续写。
如果想要prompt，可以参考如下，因为模型具有in-context learning ability

这个base model更像是internet document simulator

1.2 post-training

1. The pre-training stage is to sample documents, the post-training stage is to give answers to questions.
2. The pre-training relies on the online documents, but the post-training stage totally throws them out and use datasets of human-labeling conversations.
3. The pre-training stage takes 3 months while post-training 3 hours, because the datasets of conversations are much smaller.
4. This stage is much computationally cheaper.
5. 这个阶段要学会和人类互动，也要拒绝不合理的要求（比如如何黑进别人的电脑）
6. 这个阶段不会也无法覆盖所有的可能的问题，但是通过这种示例，模型能够学到这样的统计学模式statistical pattern，从而在推理时遇到没被训练过的问题，也能给予回答。
7. 从LLM获得的回答其实是类似人类标注员的回答，或者说LLM公司编写的回答规范的回答。You are not talking to a magical AI, instead an average labeler.

1.2.1 token

因为输入的是对话，所以需要对对话进行处理，增加虚拟独白部分，分别在最前和最后，而且要指明是user还是assistant。

在推理时，输入到<|im_start|>assistant<|im_sep|>，后面的由模型补充就得到了答案。

1.2 SFT监督微调

1.3 人类反馈强化学习

1.3.1 人类反馈奖励模型

1.3.2 基于奖励函数进行试错

PPO

proximal policy opt
最大化长期奖励，但是通过clip保证不会偏离当前策略太远。

举个例子：智能家居系统
有一个智能家居系统，其中的恒温器需要根据室内外温度、能源价格等因素来调整设置，以达到舒适与节能的平衡。这个恒温器就是我们的“智能体”，它的目标是通过调节温度来最大化长期奖励（比如节省能源费用和保持舒适）。
场景设定：
状态：当前室内温度、室外温度、时间等。
动作：将恒温器设置为 20°C、21°C 或 22°C。
奖励：根据能源消耗和舒适度打分，比如：
如果温度太低或太高，奖励较低（因为不舒服）。
如果温度适中且能源消耗少，奖励较高。
恒温器需要通过不断尝试不同的设置来找到最优策略。PPO 的作用就是帮助它在学习过程中逐步优化策略，避免“走得太远”而犯错。

GRPO

group relative policy opt
一种用于大模型的策略优化算法，通过分组比较，动态调整学习策略，使训练更高效和稳定。因为之前是采用PPO算法，PPO会直接冲着奖励最高的方向去学习，无法平衡风险。

举个例子：班级小组学习
假设一个班级要提升数学成绩，老师用 GRPO 的思路设计学习计划：
分组：把学生分为 A、B、C 三组，每组用不同学习方法：
A组：题海战术
B组：错题分析
C组：概念推导
相对比较：
每周考试后，对比各组平均分。比如 B 组得分最高，说明“错题分析”方法更有效。
策略优化：
让 B 组分享经验，但不强制其他组完全照搬（避免学得太快反而混乱）。
A、C 组参考 B 组的方法，适当调整自己的策略（比如题海战术中加入错题分析）。
结果：
整体班级成绩提升，且各组保持自己的特色（稳定性）。

4 大语言模型值得相信吗

things that occur very frequently in the internet are probably more likely to be remembered correctly. The output of the LLM is just a vague recollection of internet documents

4.1 AI hallucinations幻觉

给模型输入一段没见过的东西，它会沿着继续预测下去，本质上是在概率性的前提下进行最佳预测。
由于是概率性的，所以在训练集的分布里，并没有"我不知道"，只有自信的回答，所以面对及时不知道的事，AI也会给出自信的编造。Even the model knows it doesn’t know, it will not surface that.

The model are not looking it up（查找信息）, instead just imitating the answer.

4.1.1 如何确认存在幻觉

1. 测试大模型是否存在幻觉
   a. 先用大模型A给出一些问答
   b. 用这些问答问待测试的大模型
   c. 如果回答错了，就说明存在幻觉
   

4.1.2 如何解决幻觉

1. 训练大模型说我不知道
   a. 根据答错的问题，训练它说我不知道
   Through this way, the model learns the association of the knowledge-based refusal to the internal neuron
2. 联网搜索，把搜索到的知识当作输入一起给模型。
   

4.2 大模型心理学LLM psychology

涌现认知效应 emergent cognitive effect

Deepseek

Reasoning oriented RL using GRPO

其中的奖励函数没有用人工的，而是纯deterministic的。A rule-based reward system