01
LLM Intro（一）：从张量到神经网络训练
从数组、广播与矩阵乘法开始，逐步理解计算图、梯度下降和 PyTorch 训练循环。
# LLM Intro.11
LLM Intro 相关文章。
202611 篇
02
LLM Intro（二）：文本表示与自回归生成
把文本编码、下一 token 预测和解码策略连成完整流程，并解释 padding、温度与搜索。
03
LLM Intro（三）：RNN 的序列建模与门控机制
从隐藏状态递推到情感分类，说明 RNN 的张量形状、padding、反向传播与门控机制。
04
LLM Intro（四）：从注意力到完整的 Transformer
从 QKV、因果遮罩和多头注意力出发，接上位置表示、残差、归一化与可运行的 decoder-only 网络。
05
LLM Intro（五）：用 Hugging Face 调用与评估模型
完成模型与 tokenizer 加载、对话模板、批量输入和生成，再用可解释的指标评估输出。
06
LLM Intro（六）：GPU 执行模型与 Triton 算子
用数据搬运解释 GPU 性能，再完成 Triton 向量加法，并推导按行融合 softmax 的计算方式。
07
LLM Intro（七）：用 SFT 与 LoRA 微调语言模型
从 SFT 数据与标签构造出发，推导 LoRA 的低秩更新、初始化和参数量，再连接到实际训练与保存。
08
LLM Intro（八）：理解量化、AWQ 与 QLoRA
解释量化的映射与误差，沿着粒度、激活离群值理解 AWQ，并区分 QLoRA 的存储精度与计算精度。
09
LLM Intro（九）：RAG 的检索、重排与生成
从文档切分、向量表示到混合检索与重排，搭起一条可追溯的 RAG 流程，并分别评估检索和生成。
10
LLM Intro（十）：Agent 的工具调用与执行循环
从工具 schema 与消息协议开始，实现一个有终止条件的 Agent 循环，再解释反馈修正、记忆和状态图。
11
LLM Intro（十一）：VLM 的图像理解与视觉定位
从图片张量和 patchify 解释视觉编码器、projector 与多模态位置，再连接训练、问答和坐标定位。