LLM 基础概念

浅入浅出——生成式 AI

AI和 LLM 的关系

人工智能 (AI)
    └── 机器学习 (ML)
        ├── 传统机器学习 (决策树、SVM等)
        └── 深度学习 (DL)
            └── 神经网络 (NN)
                ├── 卷积神经网络 (CNN)
                └── Transformer
                    └── 大语言模型 (LLM)

 

大模型

严格来说是基础模型：参数多、训练数据量大

参数量单位

参数量（parameter count）用英文数字缩写表示数量级：

缩写英文数值中文
M Million 10⁶ 百万
B Billion 10⁹ 十亿
T Trillion 10¹² 万亿

换算：1 T = 1000 B。例如 GPT-3 为 175 B（约 1750 亿参数），DeepSeek-V3 为 671 B（约 6710 亿参数）。

蒸馏

减少模型参数

量化

降低大模型的参数精度

稠密模型

每次推理时所有参数都被激活使用。参数量越大，计算量和显存占用成比例上涨。

  • 例子：GPT-3（175B）、Llama 2（70B）、Llama 3（405B）

稀疏模型

每次推理时只激活一部分参数。"稀疏"其实可指几种不同含义：

类型含义代表
激活稀疏 每次只激活部分参数 混合专家模型（MoE）
权重稀疏 很多权重为 0（剪枝得到） 剪枝后的模型
稀疏注意力 只计算部分位置的注意力 Longformer、BigBird

混合专家模型

稀疏模型的一种（激活稀疏）。把网络中的某些层拆成多个"专家"（expert），每次处理一个 token 时由门控网络（router）只挑选少数几个专家计算，其余不参与。因此总参数很大，但每次只激活一小部分。

  • 总参数（Total Parameters）：模型全部参数加起来

  • 激活参数（Active Parameters）：单个 token 实际用到的参数

例：DeepSeek-V3 总参数 671B，但激活参数只有约 37B——用接近小模型的推理成本，获得大模型的能力。

注：每个"专家"内部仍是稠密的小网络，所以可理解为"稀疏激活 + 稠密子网络"。

本机部署

  • Ollama

  • LM Studio

  • Cherry Studio

Token与字符

通常在说模型支持10K的上下文，是指模型一次最大可处理10K个token。token和我们平时使用的字词是不同的，一个token可以是一个单词、一个汉字或者一个词组，甚至一个标点符号。

为什么用"子词"切分？

按单词切：英文变体无穷（run / runs / running），词表会爆炸，生词没法处理；按单字符切：序列太长、效率低、单字符语义弱。所以现代模型用子词（subword）切分——把常见片段合并成 token，既控制词表大小，又能拼出新词。

主流切分算法

算法原理使用者
BPE（字节对编码） 反复合并"出现频率最高"的相邻字符对 GPT、DeepSeek、Llama
WordPiece 合并"最能提升模型似然"的对 BERT
Unigram 先建大候选表，再逐步删掉最没用的 T5、部分多语言模型
SentencePiece 工具框架，不依赖空格，对中文/日文友好 Llama、Mistral

词表（Vocabulary）是怎么来的？

词表是训练模型之前预先构建的固定"token ↔ ID"对照表（以 BPE 为例）：

  1. 把文本拆成单个字符或字节；

  2. 反复统计并合并"出现频率最高"的相邻片段，产生新 token；

  3. 直到词表达到目标大小（比如 10 万个 token）就停止。

最终保存词表 + 合并规则两样东西，供训练和推理统一使用。

遇到词表里没有的词怎么办？

现代模型靠"逐级降级"解决，几乎没有真正的生词问题：

不常见的整词 → 拆成已知子词 → 拆成单字符 → 拆成 UTF-8 字节（绝对兜底）

字节级分词能把任意字符表示出来（任何字符最终都是字节），所以理论上没有无法表示的输入，代价只是拆得越碎、token 越多。

另外，不同的模型采用的分词（Tokenizer）方式不同，token和字符间对应关系也不同：

import transformers
​
chat_tokenizer_dir = "./"
​
tokenizer = transformers.AutoTokenizer.from_pretrained(
    chat_tokenizer_dir, trust_remote_code=True
)
​
token_ids = tokenizer.encode("大模型是未来的趋势")
for tid in token_ids:
    print(tid, tokenizer.decode([tid]))

 

也可以在这里在线体验分词。

参考：Token 用量计算 | DeepSeek API Docs

上下文

简单来说，上下文指的是提供给模型的信息（以”输入令牌”的形式），模型随后使用这些信息来预测后续信息（以”输出令牌”的形式）

上下文窗口（Context Window）

模型在单次请求里能处理的 token 总数（输入 + 输出），可以理解为"模型一次对话的短期记忆容量"。

  • 限制的是"输入 + 输出"的总和，不是单独某一边：输入和输出共享同一个预算；

  • 输出通常还有一个更小的独立上限（max_tokens），防止输出占满窗口；

  • 所以真正留给输入的空间 ≈ 窗口大小 − 最大输出 token 数。

达到上限、输出还没结束会怎样？

  • 撞到最大输出上限 → 模型直接停止生成，回复停在半句话；

  • API 返回 finish_reason = "length" 标记，表示"是截断，不是自然说完"；

  • 结果是不完整的回复（内容不损坏），而不是错误回复；

  • 解决办法：调大 max_tokens、缩短输入、或让模型"继续"续写。

Cursor – 使用上下文

训练与推理

训练阶段

原始语料
  ↓ ① 分词器（预先建好的词表）
token ID 序列
  ↓ ② 嵌入层查表：每个 ID → 一个向量
向量序列
  ↓ ③ Transformer 层
隐藏状态向量
  ↓ ④ 输出投影层 → logits（长度 = 词表大小）
词表里每个 token 的"分数"
  ↓ ⑤ softmax → 与真实下一个 token 对比 → 算 loss → 反向传播
更新模型参数

推理阶段（用户使用）

用户输入文字
  ↓ ① 用同一套分词器 + 词表 → token ID
  ↓ ② 嵌入层查表 → 向量
  ↓ ③ Transformer 层
  ↓ ④ 输出投影 → logits（覆盖整个词表）
  ↓ ⑤ softmax → 每个 token 的概率
  ↓ ⑥ 采样/选概率最高的 token → 下一个 token
  ↓ ⑦ 把 token 接回去，重复 ②~⑥（自回归）

三个关键点

  1. 词表是预先固定的，不是训练时攒出来的；

  2. 输入端：文本 → 分词器查表成 ID → 嵌入层查表成向量（不是"匹配词表"）；

  3. 输出端：模型产出一个长度 = 词表大小的 logits，softmax 后采样下一个 token（"和词表对齐"发生在这里）。

MCP

参考：一文带你 "看见" MCP 的过程，彻底理解 MCP 的概念

posted @ 2026-10-19 10:33  闲着的贤者  阅读(13)  评论(0)    收藏  举报