第1章 大模型原理與技術概要

1.1 圖解大模型結構

1.1.1 大語言模型（LLM）結構全景圖

1.1.2 輸入層：分詞、Token映射與向量生成

1.1.3 輸出層：Logits、概率分布與解碼

1.1.4 多模態(tài)語言模型（MLLM、VLM）

1.2 大模型訓練全景圖

1.3 Scaling Law（性能的四大擴展規(guī)律）

第2章 SFT（監(jiān)督微調）

2.1 多種微調技術圖解

2.1.1 全參數微調、部分參數微調

2.1.2 LoRA（低秩適配微調）四兩撥千斤

2.1.3 LoRA衍生：QLoRA、AdaLoRA、PiSSA等

2.1.4 基于提示的微調：Prefix-Tuning等

2.1.5 Adapter Tuning

2.1.6 微調技術對比

2.1.7 如何選擇微調技術

2.2 SFT原理深入解析

2.2.1 SFT數據與ChatML格式化

2.2.2 Logits與Token概率計算

2.2.3 SFT的Label

2.2.4 SFT的Loss圖解

2.2.5 對數概率（LogProbs）與LogSoftmax

2.3 指令收集和處理

2.3.1 收集指令的渠道和方法

2.3.2 清洗指令的四要素

2.3.3 數據預處理及常用工具

2.4 SFT實踐指南

2.4.1 如何緩解SFT引入的幻覺？

2.4.2 Token級Batch Size的換算

2.4.3 Batch Size與學習率的Scaling Law

2.4.4 SFT的七個技巧

第3章 DPO（直接偏好優(yōu)化）

3.1 DPO的核心思想

3.1.1 DPO的提出背景與意義

3.1.2 隱式的獎勵模型

3.1.3 Loss和優(yōu)化目標

3.2 偏好數據集的構建

3.2.1 構建流程總覽

3.2.2 Prompt的收集

3.2.3 問答數據對的清洗

3.2.4 封裝和預處理

3.3 圖解DPO的實現與訓練

3.3.1 模型的初始化

3.3.2 DPO訓練全景圖

3.3.3 DPO核心代碼的提煉和解讀

3.4 DPO實踐經驗

3.4.1 參數如何調節(jié)

3.4.2 DPO對模型能力的多維度影響

3.5 DPO進階

3.5.1 DPO和RLHF（PPO）的對比

3.5.2 理解DPO的梯度

第4章 免訓練的效果優(yōu)化技術

4.1 提示工程

4.1.1 Zero-Shot、One-Shot、Few-Shot

4.1.2 Prompt設計的原則

4.2 CoT（思維鏈）

4.2.1 CoT原理圖解

4.2.2 ToT、GoT、XoT等衍生方法

4.2.3 CoT的應用技巧

4.2.4 CoT在多模態(tài)領域的應用

4.3 生成控制和解碼策略

4.3.1 解碼的原理與分類

4.3.2 貪婪搜索

4.3.3 Beam Search（波束搜索）：圖解、衍生

4.3.4 Top-K、Top-P等采樣方法圖解

4.3.5 其他解碼策略

4.3.6 多種生成控制參數

4.4 RAG（檢索增強生成）

4.4.1 RAG技術全景圖

4.4.2 RAG相關框架

4.5 功能與工具調用（Function Calling）

4.5.1 功能調用全景圖

4.5.2 功能調用的分類

第5章 強化學習基礎

5.1 強化學習核心

5.1.1 強化學習：定義與區(qū)分

5.1.2 強化學習的基礎架構、核心概念

5.1.3 馬爾可夫決策過程（MDP）

5.1.4 探索與利用、ε-貪婪策略

5.1.5 On-policy和Off-policy

5.1.6 在線/離線強化學習（Online/Offline RL）

5.1.7 強化學習分類圖

5.2 價值函數、回報預估

5.2.1 獎勵、回報、折扣因子（R、G、）

5.2.2 反向計算回報

5.2.3 四種價值函數：Q、V、V*、Q*

5.2.4 獎勵、回報、價值的區(qū)別

5.2.5 貝爾曼方程強化學習的基石

5.2.6 Q和V的轉換關系、轉換圖

5.2.7 蒙特卡洛方法（MC）

5.3 時序差分（TD）

5.3.1 時序差分方法

5.3.2 TD-Target和TD-Error

5.3.3 TD(λ)、多步TD

5.3.4 蒙特卡洛、TD、DP、窮舉搜索的區(qū)別

5.4 基于價值的算法

5.4.1 Q-learning算法

5.4.2 DQN

5.4.3 DQN的Loss、訓練過程

5.4.4 DDQN、Dueling DQN等衍生算法

5.5 策略梯度算法

5.5.1 策略梯度（Policy Gradient）

5.5.2 策略梯度定理

5.5.3 REINFORCE和Actor-Critic

5.6 多智能體強化學習（MARL）

5.6.1 MARL的原理與架構

5.6.2 MARL的建模

5.6.3 MARL的典型算法

5.7 模仿學習（IL）

5.7.1 模仿學習的定義、分類

5.7.2 行為克隆（BC）

5.7.3 逆向強化學習（IRL）

5.7.4 生成對抗模仿學習（GAIL）

5.8 強化學習高級拓展

5.8.1 基于環(huán)境模型（Model-Based）的方法

5.8.2 分層強化學習（HRL）

5.8.3 分布價值強化學習（Distributional RL）

第6章 策略優(yōu)化算法

6.1 Actor-Critic（演員-評委）架構

6.1.1 從策略梯度到Actor-Critic

6.1.2 Actor-Critic架構圖解

6.2 優(yōu)勢函數與A2C

6.2.1 優(yōu)勢函數（Advantage）

6.2.2 A2C、A3C、SAC算法

6.2.3 GAE（廣義優(yōu)勢估計）算法

6.2.4 和λ的調節(jié)作用

6.3 PPO及其相關算法

6.3.1 PPO算法的演進

6.3.2 TRPO（置信域策略優(yōu)化）

6.3.3 重要性采樣（Importance Sampling）

6.3.4 PPO-Penalty

6.3.5 PPO-Clip

6.3.6 PPO的Loss的擴展

6.3.7 TRPO與PPO的區(qū)別

6.3.8 圖解策略模型的訓練

6.3.9 深入解析PPO的本質

6.4 GRPO算法

6.4.1 GRPO的原理

6.4.2 GRPO與PPO的區(qū)別

6.5 確定性策略梯度（DPG）

6.5.1 確定性策略vs隨機性策略

6.5.2 DPG、DDPG、TD3算法

第7章 RLHF與RLAIF

7.1 RLHF（基于人類反饋的強化學習）概要

7.1.1 RLHF的背景、發(fā)展

7.1.2 語言模型的強化學習建模

7.1.3 RLHF的訓練樣本、總流程

7.2 階段一：圖解獎勵模型的設計與訓練

7.2.1 獎勵模型（Reward Model）的結構

7.2.2 獎勵模型的輸入與獎勵分數

7.2.3 獎勵模型的Loss解析

7.2.4 獎勵模型訓練全景圖

7.2.5 獎勵模型的Scaling Law

7.3 階段二：多模型聯動的PPO訓練

7.3.1 四種模型的角色圖解

7.3.2 各模型的結構、初始化、實踐技巧

7.3.3 各模型的輸入、輸出

7.3.4 基于KL散度的策略約束

7.3.5 基于PPO的RLHF核心實現

7.3.6 全景圖：基于PPO的訓練

7.4 RLHF實踐技巧

7.4.1 獎勵欺騙（Reward Hacking）

7.4.2 拒絕采樣（Rejection Sampling）微調

7.4.3 強化學習與RLHF的訓練框架

7.4.4 RLHF的超參數

7.4.5 RLHF的關鍵監(jiān)控指標

7.5 基于AI反饋的強化學習

7.5.1 RLAIF的原理圖解

7.5.2 CAI：基于憲法的強化學習

7.5.3 RBR：基于規(guī)則的獎勵

第8章 邏輯推理能力優(yōu)化

8.1 邏輯推理（Reasoning）相關技術概覽

8.1.1 推理時計算與搜索

8.1.2 基于CoT的蒸餾

8.1.3 過程獎勵模型與結果獎勵模型（PRM/ORM）

8.1.4 數據合成

8.2 推理路徑搜索與優(yōu)化

8.2.1 MCTS（蒙特卡洛樹搜索）

8.2.2 A*搜索

8.2.3 BoN采樣與蒸餾

8.2.4 其他搜索方法

8.3 強化學習訓練

8.3.1 強化學習的多種應用

8.3.2 自博弈（Self-Play）與自我進化

8.3.3 強化學習的多維創(chuàng)新

第9章 綜合實踐與性能優(yōu)化

9.1 實踐全景圖

9.2 訓練與部署

9.2.1 數據與環(huán)境準備

9.2.2 超參數如何設置

9.2.3 SFT訓練

9.2.4 對齊訓練：DPO訓練、RLHF訓練

9.2.5 推理與部署

9.3 DeepSeek的訓練與本地部署

9.3.1 DeepSeek的蒸餾與GRPO訓練

9.3.2 DeepSeek的本地部署與使用

9.4 效果評估

9.4.1 評估方法分類

9.4.2 LLM與VLM的評測框架

9.5 大模型性能優(yōu)化技術圖譜