大家好！
最近在学习大模型（LLM），记了一些笔记。
所以，想借这个机会组织一次分享会，主要是把自己学到的、想通的一些东西拿出来和大家交流，也希望能帮到同样对LLM感兴趣的朋友们。
这次分享，我会尽力讲清楚这些方面：
- 大模型是怎样工作的。Tokenizer 的重要性
- 常见调节参数。聊聊像 temperature, logit_bias 这些参数具体是干什么的，以及如何通过调整它们来影响模型的输出（比如，我们会看看怎么让模型在回答问题时避开某些词）。以及控制输出格式的参数： 如何让大模型按我们指定的结构（例如JSON）输出内容，让结果更规整、可用。
- 大模型优劣势和优化手段： 谈谈目前大模型能力的强项和局限，优化手段 1) 提示词工程（Prompt Engineering）、2) 微调（Fine-tuning）和 3) RAG（Retrieval-Augmented Generation）
- 模型推理初探： 简单介绍一下影响大模型响应速度的两个主要阶段（Prefill 和 Decode）以及相关的基础概念。
时间的话, 暂定五一过后, 那一周的周六晚上 (5.10)，到时候贴 腾讯会议链接 !
我计划先把我准备的内容分享出来。因为我自己也还在学习过程中，很多理解可能还有偏差或不足，所以非常期待能听到大家的想法、疑问和补充。互相学习，共同进步！
如果你对这些内容感兴趣， 欢迎来围观 ！