池州市网站建设_网站建设公司_Ruby_seo优化

文章解析了大模型训练的两个主要阶段：预训练(形成基座模型)和后训练(包含监督微调SFT和强化学习RL)。SFT利用标注数据调整参数，RL通过奖励模型引导优化。通过DeepSeek和Qwen案例，展示了全量微调、LoRA等不同微调技术，帮助读者理解大模型训练的基础逻辑和实现方法，适合初学者入门学习。

我们或多或少都听说LLM大模型是先“训练”出来，然后再用于“推理”，那怎么理解这个“训练”过程？

是不是经常听说行业性场景中要使用垂域大模型，比通用大模型效果会更好，然后都说垂域大模型是“微调”出来的，那么什么是“微调”？和上面说的“训练”是什么关系？

当你尝试去深入了解这些问题时，搜到的各种介绍是不是都有点深奥？看到预训练、后训练、监督微调、强化学习、低秩适应、奖励模型等一堆概念是不是有点懵逼？

本文对这些概念和模式进行梳理汇总，并结合DeepSeek和Qwen两个案例进行说明，方便像我一样从信息化领域转型过来刚入门的同学也能快速了解“训练”的范围和基础逻辑。

预训练（Pre-Training）和后训练（Post-Training）

“训练Training”其实是多年前机器学习时代就有的概念，把机器学习模型可以想象成一个包含有多元变量的数学函数公式y=w1x1+w2x2+…+wnxn+b，其中X1、X2…Xn就是预先选择好要参与计算的特征变量，然后利用一组包含特征值x和结果值y的历史数据，进行训练得到就是各个特征变量的权重系数W1、W2…Wn，这样这个函数就建立起来（训练出来）了，然后预测过程就是将新的一组变量x代入这个函数公式（模型）进行计算，得到函数结果y就是预测值。

虽然大模型本质和机器学习差异还是巨大的，比如大模型的训练过程是不需要人工预先选择/设计特征x的，而是自动学习提取出来的；大模型的权重系数W的数量是巨大的，几十亿到上万亿参数量；大模型的推理是基于词向量的概率推理，和机器学习这种确定性映射计算不同等。

但为了便于理解，我们还是可以将大模型的训练过程简单理解成以上数学函数的训练过程，最终都是为了训练得到这个函数的一套权重参数（只不过大模型的这个函数公式特别通用化、变量特征不固定、权重参数量特别多）。这个过程就包括预训练（pre-training）和后训练（post-train），其相互关系如下：

预训练（pre-training）得到的叫基座模型，可以认为是得到数学函数的一套基础权重参数，可以满足一般场景的预测和推理需要。

后训练（post-train）则是在这个基座模型基础上，结合业务场景需要和行业知识数据等进一步训练，最终是调整了基座模型的某些权重参数，以更精准的满足具体业务场景预测和推理需要。

监督微调（SFT）和强化学习（RL）

后训练（post-train）内部又包含监督微调Supervised Fine-Tuning（SFT）和强化学习Reinforcement Learning（RL）两个方向，其主要实现机制对比如下：

先利用前文所述数学函数的例子，来看看监督微调与强化学习的区别：监督微调是要准备一组特征值X和结果值Y（也就是所谓的标注/标签）组成的数据集来进行训练，通过调整函数的权重参数，让它的预测值与结果值Y尽可能接近，它的核心目标就是要最小化预测值与真实标签的误差；而强化学习则不需要预先准备好结果值Y，它只要提供输入让函数模拟计算，再通过与环境的交互获得反馈（奖励或惩罚），通过调整参数尽可能获取奖励，它的核心目标是要能最大化长期累积奖励期望值。

更形象的比喻，监督微调有点像刷练习题，预先准备好题目和标准答案，通过同类题目的反复练习和纠错（调参），确保碰到新题也能作对；而强化学习有点像模拟考，需要阅卷老师评价，通过反复模拟考，提升书写规范性、掌握时间分配、符合阅卷老师倾向等，以尽可能得高分。

如上所述监督微调Supervised Fine-Tuning（SFT）核心是要用到精确标注的数据集，而且是输入（特征）/输出（标签）成对出现的数据集，比如教育领域的题目和解题方法，医疗领域的症状和诊断方法，法律领域的案情和判决结果等，经过微调部分参数或全部参数，得到一个适用于特定行业领域更精准的专有模型。

这里推荐大神“智能体AI”写的[《你真的了解大模型怎么“调”？四种主流LLM微调方法详解》]这篇文章，基础逻辑讲得非常清晰，按微调的代价从高到低包括：全量微调Full-Tuning给基座模型“重塑金身”，相当于对以上所说数学函数的权重参数w全部都调整；冻结部分参数Freeze-Tunging只调“头部”参数；低秩适应LoRA给基座模型加外挂配件，相当于不用改模型本身参数，而是通过做加法，在基座模型上额外增加一些小的数学函数，以确保最终预测和推理结果也能符合行业特性；还有更轻量的量化低秩适应QLoRA，是把基座模型先量化压缩后，再做加法。

强化学习Reinforcement Learning（RL）的核心逻辑和微调SFT差别很大，它核心是通过奖励函数/奖励模型（Reward Model）的方式，来引导大模型形成一定的“肌肉记忆”，就是通过对模型输出，选择某些质量维度（如回答的有用性、安全性）进行评价，生成‌奖励分数‌，来指导大模型自我优化方向，举个例子可能更好理解：

比如我们常用的一些聊天对话大模型，之所以能够提供所谓的“情绪价值”，之所以不会出现暴力和涩涩的回答，很大程度上是通过强化学习实现的，在强化学习期间，如果大模型的输出是温暖和正面的，奖励模型就给它加分，经过长时间的强化学习引导，大模型的回答自然就会符合这些价值观和偏好。

所以强化学习的核心就在于奖励模型，这个才是灵魂和难度所在，当然强化学习内部又还有多种策略，比如RLHF（人类反馈强化学习）、PPO（近端策略优化）、GRPO（群体相对策略优化）等，后面案例中也会有所展开。

DeepSeek的模型谱系示例

接下来我们用DeepSeek的模型谱系案例，来理解上述预训练、监督微调和强化学习等不同训练方法的具体实践：

如图，我们都很熟悉DeepSeek有两种比较常用的模型，通用语言模型V3和推理增强模型R1，这两种模型实际都是在基座模型DeepSeek-V3-Base基础上经过监督微调和强化学习出来的。

和我们一般认知有所不同，都说R1是基于V3的，实际指的是基于V3-Base这个基座模型（Foundation Model）。

然后用于聊天对话的V3，实际也是在V3-Base基础上经过专门的后训练得出来的（基于标注好的问答数据集做SFT，基于强化学习评价引导等），所以才能在聊天对话中提供“情绪价值”。

而R1则是推理增强模型，其核心也包括监督微调SFT过程，利用带思维链推理过程标注的数据集；也包括强化学习RL过程，利用奖励模型来评分（如有推理过程和格式就加分，推理过程越清晰得分越多等）。经过多轮次交替最终得到这种推理增强模型，细节可以参考《一文读懂DeepSeek R1训练过程》这篇文章。

额外提一句：R1推理模型因为有Thinking思考过程，响应时间更慢一些，但可解释性更强一些，所以更适合复杂分析和总结的场景，而需要即时响应并反馈的场景，则更适合用通用语言模型V3。五一前夕出来的Qwen3模型，则是一个混合推理模型，可以按需开启/关闭推理思考过程。

Qwen2.5-Math模型谱系示例

前段时间因为要引用Qwen的数学模型（Qwen2.5-Math-7B-Instruct），在魔搭社区找到该模型的介绍，看到其模型谱系如下：

如图在Qwen2.5模型基础上，利用数据集“Math Corpus V2”，经过预训练Pre-train得到Qwen2.5数学模型系列的基座模型“Qwen2.5-Math”。

在基座模型“Qwen2.5-Math”基础上，经过监督微调SFT，得到Qwen2.5-Math-SFT模型，这里提到SFT过程包括：

这段英文主要说明微调SFT过程用到了思维链CoT做法，以及集成工具推理TIR的做法，关键是利用“Math SFT V2”这套标注数据集，实现中英文数学问题的解答。

在Qwen2.5-Math-SFT模型基础上进一步进行强化学习，其核心是利用“Qwen2.5-Math-RM（72B）”这个评价模型（Reward Model），同时基于‌群体相对策略优化GRPO（Group Relative Policy Optimization），才最终得到我们要在业务场景中使用的模型“Qwen2.5-Math-7B-Instruct”。

​最后

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。

我整理出这套 AI 大模型突围资料包：

• ✅AI大模型学习路线图
• ✅Agent行业报告
• ✅100集大模型视频教程
• ✅大模型书籍PDF
• ✅DeepSeek教程
• ✅AI产品经理入门资料

完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
​​

为什么说现在普通人就业/升职加薪的首选是AI大模型？

人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。

智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。

AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。

​​

资料包有什么？

①从入门到精通的全套视频教程⑤⑥

包含提示词工程、RAG、Agent等技术点

② AI大模型学习路线图（还有视频解说）

全过程AI大模型学习路线

③学习电子书籍和技术文档

市面上的大模型书籍确实太多了，这些是我精选出来的

④各大厂大模型面试题目详解

⑤ 这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌，构建起"前沿课程+智能实训+精准就业"的高效培养体系。

课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

​​​​

如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！

应届毕业生‌：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能 ‌突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**

​