_toc_new.html

<nav id="toc"><h2>目录</h2><ol><li><a href="#前言">前言</a><ol class="toc-sub"><li>这本书写给谁</li><li>三条贯穿全书的原则</li><li>四种学习成果</li><li>本书结构</li><li>怎么使用本书</li></ol></li><li><a href="#第-1-章-人工智能与大模型基础">第 1 章 人工智能与大模型基础</a><ol class="toc-sub"><li>1.0 先认识人工智能</li><li>1.0.1 自然语言的特点：为什么 AI 处理语言很难</li><li>1.1 三种学习方式</li><li>1.2 人工智能系统的三种典型范式</li><li>1.3 训练闭环与数据划分</li><li>1.4 语言模型发展的四个阶段</li><li>1.5 大模型到底在预测什么</li><li>1.6 认证计算：混淆矩阵与更新步数</li><li>1.7 数据工程：训练前的关键准备</li><li>1.8 智能检索与推荐系统</li></ol></li><li><a href="#第-2-章-模型架构-从注意力机制到-Transformer">第 2 章 模型架构：从注意力机制到 Transformer</a><ol class="toc-sub"><li>2.1 从文本到张量</li><li>2.2 缩放点积注意力</li><li>2.3 一个 Transformer 块里有什么</li><li>2.4 三类架构</li><li>2.5 架构对比与掩码机制</li><li>2.6 高效推理的几个关键设计</li><li>2.7 为什么长序列特别贵</li><li>2.8 归一化方法与激活函数详解</li><li>2.9 位置编码的变体</li><li>2.10 高效注意力架构详解</li><li>2.11 大模型可解释性分析</li><li>2.12 混合专家模型（MoE）</li><li>2.13 长上下文模型</li></ol></li><li><a href="#第-3-章-预训练技术">第 3 章 预训练技术</a><ol class="toc-sub"><li>3.1 预训练到底在学什么</li><li>3.2 批次、epoch 与更新步数</li><li>3.3 优化器与学习率</li><li>3.4 参数量怎么算</li><li>3.5 扩展法则：模型越大就越好吗</li><li>3.6 训练监控、检查点与稳定性</li><li>3.7 量化显存与吞吐量</li><li>3.8 并行训练与显存优化</li><li>3.9 极大似然学习与回归分析</li><li>3.10 对比学习详解</li><li>3.11 优化器详解：AdamW 与混合精度训练</li></ol></li><li><a href="#第-4-章-指令微调与人类对齐">第 4 章 指令微调与人类对齐</a><ol class="toc-sub"><li>4.0 后训练概述：从"会续写"到"会干活"</li><li>4.1 指令数据集的构建</li><li>4.2 指令数据与质量检查</li><li>4.3 监督微调（SFT）</li><li>4.4 LoRA：用低秩更新省参数</li><li>4.5 人类对齐：3H 与方法边界</li><li>4.6 幻觉与偏见</li><li>4.7 奖励模型训练损失详解</li><li>4.8 DPO 公式推导</li><li>4.9 参数高效微调方法对比</li><li>4.10 指令数据构建提升方法</li><li>4.11 模型解码与概率采样</li></ol></li><li><a href="#第-5-章-解码与部署">第 5 章 解码与部署</a><ol class="toc-sub"><li>5.1 搜索与采样不是同一件事</li><li>5.2 温度、top-k、top-p 怎么配合</li><li>5.3 解码案例：一句诗的解码过程</li><li>5.4 模型压缩：让大模型跑在更小的机器上</li><li>5.5 增量解码与 KV Cache</li><li>5.6 量化与吞吐量</li><li>5.7 部署实战：资源管理与性能优化</li><li>5.8 束搜索超参数调优</li><li>5.9 vLLM 推理框架详解</li><li>5.10 FlashAttention 原理</li><li>5.11 推测解码（Speculative Decoding）详解</li><li>5.12 模型量化详解</li><li>5.13 模型蒸馏与剪枝详解</li><li>5.14 资源管理与性能优化</li></ol></li><li><a href="#第-6-章-提示学习与检索增强生成">第 6 章 提示学习与检索增强生成</a><ol class="toc-sub"><li>6.0 什么是“提示”，为什么它这么重要</li><li>6.1 先读评分器，再写 Prompt</li><li>6.2 结构化输出的本地校验</li><li>6.3 检索增强生成（RAG）流程</li><li>6.4 向量检索的张量形状</li><li>6.5 RAG 的两段式评测</li><li>6.6 上下文学习（ICL）：不训练也能学新任务</li><li>6.7 提示设计进阶：常见技巧与模式</li><li>6.8 提示学习的范围与局限</li><li>6.9 提示工程局限性深入分析</li><li>6.10 思维链提示（CoT）详解</li><li>6.11 RAG 深入：架构变体与优化</li></ol></li><li><a href="#第-7-章-复杂推理与长思维链">第 7 章 复杂推理与长思维链</a><ol class="toc-sub"><li>7.0 先搞懂：什么是“思维链”（CoT）</li><li>7.1 思维链是证据，不是内部过程的逐字记录</li><li>7.2 三种方法的信息权限</li><li>7.3 高置信度 + 稳定性早退</li><li>7.4 论文阅读标注法（R/M/D/E/L）</li><li>7.5 认知推理：感知、认知与推理的区别</li><li>7.6 搜索增强的推理方法</li><li>7.7 用强化学习训练推理模型</li><li>7.8 认知推理：感知、认知与推理的层级关系</li><li>7.9 搜索增强的推理方法详解</li><li>7.10 推理模型的训练方法</li></ol></li><li><a href="#第-8-章-模型评测与计算专题">第 8 章 模型评测与计算专题</a><ol class="toc-sub"><li>8.1 评测的根本问题：用对指标，回答对问题</li><li>8.2 分类评测：混淆矩阵</li><li>8.3 精确率、召回率与 F1</li><li>8.4 NDCG：排序评测指标</li><li>8.5 语言模型困惑度（Perplexity, PPL）</li><li>8.6 生成类指标：BLEU 与 ROUGE</li><li>8.7 代码指标：pass@k</li><li>8.8 LLM-as-a-judge 与 Kappa 一致性</li><li>8.9 数据污染（Data Contamination）</li><li>8.10 公平性与时效性</li><li>8.11 评测范式：公开与隐藏、格式与字段</li><li>8.12 公开综合评测集</li><li>8.13 各能力维度评测</li><li>8.14 评测中的公平性与数据污染</li><li>8.15 评测流程与数据集划分</li><li>8.16 困惑度（Perplexity）深入</li><li>8.17 公开评测集详解</li><li>8.18 语言能力评测</li><li>8.19 知识利用能力评测</li><li>8.20 复杂推理评测</li><li>8.21 其他评测维度</li></ol></li><li><a href="#第-9-章-智能体与工具调用">第 9 章 智能体与工具调用</a><ol class="toc-sub"><li>9.0 先搞懂：什么是"智能体"，为什么需要工具</li><li>9.1 工具调用不是"模型说了就执行"</li><li>9.2 JSON 解析与顶层结构</li><li>9.3 用 Schema 定义工具</li><li>9.4 集合运算的高频陷阱</li><li>9.5 isinstance 类型检查</li><li>9.6 并行工具调用与 wait_for_result</li><li>9.7 Qwen 工具模板与训练数据</li><li>9.8 安全红线</li><li>9.9 多智能体系统：让多个 AI 合作</li><li>9.10 智能体的记忆机制</li><li>9.11 智能体角色扮演与身份设置</li><li>9.12 智能体工程前沿：从写提示词到设计循环</li><li>9.13 智能体身份设置（System Prompt）</li><li>9.14 智能体记忆机制详解</li><li>9.15 多智能体通信结构</li><li>9.16 工具调用中 LLM 的核心作用</li><li>9.17 多智能体组件优化</li><li>9.18 智能体-人协作</li><li>9.19 智能体交互环境与典型应用</li></ol></li><li><a href="#第-10-章-多模态模型">第 10 章 多模态模型</a><ol class="toc-sub"><li>10.1 什么是多模态</li><li>10.2 图文理解是怎么做到的：CLIP 双编码器</li><li>10.3 视觉语言模型（VLM）：能"看图回答"的模型</li><li>10.4 跨模态转换：能做什么、不能做什么</li><li>10.5 局限与风险（认证常考）</li><li>10.6 多模态模型的应用场景</li><li>10.7 语音与视频：更多模态</li><li>10.8 世界模型：让 AI 理解物理世界</li><li>10.9 AI4S：当大模型走进实验室</li></ol></li><li><a href="#第-11-章-实战工程-从-T0-到-T3">第 11 章 实战工程：从 T0 到 T3</a><ol class="toc-sub"><li>11.0 四道实战题一眼看懂</li><li>11.1 T0 教学题：把混乱报码归一化成标准 JSON</li><li>11.2 T1 简单题：用 Prompt 控制稳定输出</li><li>11.3 T2 困难题：训练一个能并行调用工具的 Qwen 模型</li><li><a href="#11.4-T3">11.4 T3 探索题：读懂论文，补出验证核</a></li></ol></li><li><a href="#第-12-章-模型伦理与安全">第 12 章 模型伦理与安全</a><ol class="toc-sub"><li>12.1 模型偏见：AI 也会"偏心"</li><li>12.2 隐私保护：你的数据安全吗？</li><li>12.3 数据安全与合规</li><li>12.4 负责任地使用 AI</li><li>12.5 模型偏见详解</li><li>12.6 差分隐私深入</li><li>12.7 数据安全与合规</li></ol></li><li><a href="#附录-认证题型-公式速查与术语表">附录 认证题型、公式速查与术语表</a><ol class="toc-sub"><li>附录 A 认证题型与分值一览</li><li>附录 B 公式速查</li><li>附录 C 混淆矩阵与评测术语</li><li>附录 D 各实战题提交清单</li><li>附录 E 术语表</li></ol></li><li><a href="#附录-F-LMCC-IDE-实战指南">附录 F LMCC IDE 实战指南</a><ol class="toc-sub"><li>F.1 LMCC IDE 环境概述</li><li>F.2 实战任务结构</li><li>F.3 T1 实战：诗词格式标准化</li><li>F.4 T2 实战：RAG 检索答题</li><li>F.5 LMCC IDE 操作流程图</li><li>F.6 常见问题与调试技巧</li><li>F.7 LMCC IDE 评测记录</li></ol></li><li><a href="#附录-G-LMCC-IDE-项目报告">附录 G LMCC IDE 项目报告</a><ol class="toc-sub"><li>G.1 项目概述</li><li>G.2 任务 T1 —— 诗词格式标准化工程</li><li>G.3 任务 T2 —— 新春诗词大会 RAG 系统</li><li>G.4 评测结果与分析</li><li>G.5 总结与收获</li><li>G.6 AI 使用记录</li></ol></li><li><a href="#appendix-H">附录 H 2025-2026 真题与例题解析</a><ol class="toc-sub"><li>H.1 2025 年第一轮试题解析（青少年组）</li><li>H.2 2025 年第二轮试题解析（青少年组）</li><li>H.3 2026 年新例卷解析</li></ol></li><li><a href="#appendix-I">附录 I 第二轮考试题型与解题指南</a><ol class="toc-sub"><li>I.1 题型 0：一题双解 - 入门引导</li><li>I.2 题型 1：大模型应用 - 提示工程</li><li>I.3 题型 2：检索增强生成（RAG）</li><li>I.4 题型 3：数据生成</li><li>I.5 题型 4：工具 Agent 训练（高阶方向）</li><li>I.6 题型 5：论文阅读和代码复现（高阶方向）</li><li>I.7 备考建议</li></ol></li></ol></nav>