本文解析大语言模型(LLM)核心原理，重点介绍next token prediction本质。详解token概念、分词方法、中英文token差异，以及embedding和位置编码的作用。对比训练与推理阶段差异，通过代码展示模型结构，并探讨温度参数对生成文本随机性的影响，帮助读者全面理解大语言模型工作机制。
什么是 token
token是指文本中的一个词或者子词，给定一句文本，送入语言模型前首先要做的是对原始文本进行tokenize，也就是把一个文本序列拆分为离散的token序洌
其中，tokenize是在无标签的语料上训练得到的一个token数量固定且唯一的分词器，这里的token数量就是大家常说的词表
英文中的 Token
- 在英文中，Token 通常是单词、子词或标点符号。一个单词可能对应一个 Token，也可能被拆分为多个 Token。例如，“unhappiness” 可能被拆分为 “un”、“happi” 和 “ness”。
- 一般来说，1 个 Token 对应 3 至 4 个字母，或者约 0.75 个单词。
中文中的 Token
- 在中文中，Token 通常是单个汉字或经过分词后的词语。例如，“人工智能” 可能被拆分为 “人工” 和 “智能”。
- 不同平台对 Token 的定义有所不同。例如，通义千问和千帆大模型中 1 Token 等于 1 个汉字，而腾讯混元大模型中 1 Token 约等于 1.8 个汉字
当我们对文本进行分词后，每个token可以对应一个embedding，这也就是语言模型中的embedding层，获得某个token的embedding就类似一个查表的过程
我们知道文本序列是有顺序的，而常见的语言模型都是基于注意力机制的transformer结构，无法自动考虑文本的前后顺序，因此需要自动加上位置编码，也就是每个位置有一个位置embedding 然后和对应位置的token embedding进行相加
在模型训练或推理阶段大家经常会听到上下文长度这个词，它指的是模型训练时接收的token训练的最大长度，如果在训练阶段只学习了一个较短长度的位置embedding，那模型在推理阶段就不能够适用于较长文本(因为它没见过长文本的位置编码)
语言模型的预训练
当我们有了token的embedding和位置embedding后，将它们送入一个decoder-only的transofrmer模型，它会在每个token的位置输出一个对应的embedding(可以理解为就像是做了个特征加工)
有了每个token的一个输出embedding后，我们就可以拿它来做 next token prediction了，其实就是当作一个分类问题来看待:
- 首先我们把输出embedding送入一个线性层，输出的维度是词表的大小，就是让预测这个token的下一个token属于词表的"哪一个"
- 为了将输出概率归一化，需要再进行一个softmax变换
- 训练时就是最大化这个概率使得它能够预测真实的下一个token
- 推理时就是从这个概率分布中采样下一个token
训练阶段: 因为有 因果自注意力（Causal Self-Attention）的存在，我们可以一次性对一整个句子每个token进行下一个token的预测，并计算所有位置token的loss
因果自注意力通过引入一个“掩码”（mask）来实现这一机制。具体来说：
- 在计算注意力权重时，模型会将当前时刻之后的所有位置的注意力权重设置为零。
- 这样，模型在预测下一个词时，只能基于已经生成的词（即前面的词）来进行预测。
推理阶段:以自回归的方式进行预测
其中，在预测下一个token时，每次我们都有一个概率分布用于采样，根据不同场景选择采样策略会略有不同，比如有贪婪策略、核采样、Top-k采样等，另外经常会看到Temperature这个概念，它是用来控制生成的随机性的，温度系数越小越稳定。
代码实现
https://github.com/karpathy/nanoGPT/tree/master
对于各种基于Transformer的模型，它们都是由很多个Block堆起来的，每个Block主要有两个部分组成：
- Multi-headed Causal Self-Attention
- Feed-forward Neural Network
结构的示意图如下：
看图搭一下单个Block
class Block(nn.Module): def __init__(self， config): super().__init__() self.ln_1 = LayerNorm(config.n_embd， bias=config.bias) self.attn = CausalSelfAttention(config) self.ln_2 = LayerNorm(config.n_embd， bias=config.bias) self.mlp = MLP(config) def forward(self， x): x_ = x + self.attn(self.ln_1(x)) x = x + self.mlp(self.ln_2(x_)) return x整个nano-GPT的结构
class GPT(nn.Module): def __init__(self， config): super().__init__() assert config.vocab_size is not None assert config.block_size is not None self.config = config self.transformer = nn.ModuleDict(dict( wte = nn.Embedding(config.vocab_size， config.n_embd)， wpe = nn.Embedding(config.block_size， config.n_embd)， drop = nn.Dropout(config.dropout)， h = nn.ModuleList([Block(config) for _ in range(config.n_layer)])， ln_f = LayerNorm(config.n_embd， bias=config.bias)， )) self.lm_head = nn.Linear(config.n_embd， config.vocab_size， bias=False) # with weight tying when using torch.compile() some warnings get generated: # "UserWarning: functional_call was passed multiple values for tied weights. # This behavior is deprecated and will be an error in future versions" # not 100% sure what this is， so far seems to be harmless. TODO investigate self.transformer.wte.weight = self.lm_head.weight # https://paperswithcode.com/method/weight-tying # init all weights self.apply(self._init_weights) # apply special scaled init to the residual projections， per GPT-2 paper for pn， p in self.named_parameters(): if pn.endswith('c_proj.weight'): torch.nn.init.normal_(p， mean=0.0， std=0.02/math.sqrt(2 * config.n_layer))最后一层用来分类的线性层的权重和token embedding层的权重共享。
训练和推理的forward
首先需要构建token embedding和位置embedding，把它们叠加起来后过一个dropout，然后就可以送入transformer的block中了。
pos = torch.arange(0， t， dtype=torch.long， device=device) # shape (t) # forward the GPT model itself tok_emb = self.transformer.wte(idx) # token embeddings of shape (b， t， n_embd) pos_emb = self.transformer.wpe(pos) # position embeddings of shape (t， n_embd) x = self.transformer.drop(tok_emb + pos_emb) for block in self.transformer.h: x = block(x) x = self.transformer.ln_f(x)接下来看推理阶段
- 根据当前输入序列进行一次前向传播
- 利用温度系数对输出概率分布进行调整
- 通过softmax进行归一化
- 从概率分布进行采样下一个token
- 拼接到当前句子并再进入下一轮循环
@torch.no_grad() def generate(self， idx， max_new_tokens， temperature=1.0， top_k=None): """ Take a conditioning sequence of indices idx (LongTensor of shape (b，t)) and complete the sequence max_new_tokens times， feeding the predictions back into the model each time. Most likely you'll want to make sure to be in model.eval() mode of operation for this. """ for _ in range(max_new_tokens): # if the sequence context is growing too long we must crop it at block_size idx_cond = idx if idx.size(1) <= self.config.block_size else idx[:， -self.config.block_size:] # forward the model to get the logits for the index in the sequence logits， _ = self(idx_cond) # pluck the logits at the final step and scale by desired temperature logits = logits[:， -1， :] / temperature # optionally crop the logits to only the top k options if top_k is not None: v， _ = torch.topk(logits， min(top_k， logits.size(-1))) logits[logits < v[:， [-1]]] = -float('Inf') # apply softmax to convert logits to (normalized) probabilities probs = F.softmax(logits， dim=-1) # sample from the distribution idx_next = torch.multinomial(probs， num_samples=1) # append sampled index to the running sequence and continue idx = torch.cat((idx， idx_next)， dim=1) return idx温度参数（Temperature）的作用
温度参数temperature是一个超参数，用于控制生成文本的随机性。它的作用是调整 logits 的分布，从而影响最终的概率分布。
具体来说：
temperature > 1：增加随机性当温度参数大于 1 时，会放大 logits 的值，使得 logits 的分布更加“平坦”。
这意味着在 softmax 转换为概率分布后，各个 token 的概率会更加接近，从而增加生成结果的随机性。
例如，假设原始 logits 是
[10， 20， 30]，除以温度参数 2 后变为[5， 10， 15]，经过 softmax 后，概率分布会更加均匀。temperature < 1：减少随机性当温度参数小于 1 时，会缩小 logits 的值，使得 logits 的分布更加“尖锐”。
这意味着在 softmax 转换为概率分布后，高概率的 token 会更加突出，而低概率的 token 的概率会进一步降低，从而减少生成结果的随机性。
例如，假设原始 logits 是
[10， 20， 30]，除以温度参数 0.5 后变为[20， 40， 60]，经过 softmax 后，概率分布会更加集中在高概率的 token 上。temperature = 1：保持原始分布当温度参数等于 1 时，logits 不变，模型的输出概率分布保持原始的预测结果。
为什么要调整温度参数？
增加随机性（
temperature > 1）：有助于生成更多样化的文本，避免模型总是生成相同的、高概率的 token。
适用于需要创造性或多样性的场景，例如诗歌生成、故事创作等。
减少随机性（
temperature < 1）：有助于生成更稳定、更符合预期的文本，减少生成的噪声。
适用于需要高准确性的场景，例如机器翻译、问答系统等。
小白/程序员如何系统学习大模型LLM？
作为在一线互联网企业深耕十余年的技术老兵，我经常收到小白和程序员朋友的提问：“零基础怎么入门大模型？”“自学没有方向怎么办？”“实战项目怎么找？”等问题。难以高效入门。
这里为了帮助大家少走弯路，我整理了一套全网最全最细的大模型零基础教程。涵盖入门思维导图、经典书籍手册、实战视频教程、项目源码等核心内容。免费分享给需要的朋友！
👇👇扫码免费领取全部内容👇👇
1、我们为什么要学大模型？
很多开发者会问：大模型值得花时间学吗？答案是肯定的——学大模型不是跟风追热点，而是抓住数字经济时代的核心机遇，其背后是明确的行业需求和实打实的个人优势：
第一，行业刚需驱动，并非突发热潮。大模型是AI规模化落地的核心引擎，互联网产品迭代、传统行业转型、新兴领域创新均离不开它，掌握大模型就是拿到高需求赛道入场券。
第二，人才缺口巨大，职业机会稀缺。2023年我国大模型人才缺口超百万，2025年预计达400万，具备相关能力的开发者岗位多、薪资高，是职场核心竞争力。
第三，技术赋能增效，提升个人价值。大模型可大幅提升开发效率，还能拓展职业边界，让开发者从“写代码”升级为“AI解决方案设计者”，对接更高价值业务。
对于开发者而言，现在入门大模型，不仅能搭上行业发展的快车，还能为自己的职业发展增添核心竞争力——无论是互联网大厂的AI相关岗位，还是传统行业的AI转型需求，都在争抢具备大模型技术能力的人才。
人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！
2、大模型入门到实战全套学习大礼包分享
最后再跟大家说几句：只要你是真心想系统学习AI大模型技术，这份我耗时许久精心整理的学习资料，愿意无偿分享给每一位志同道合的朋友。
在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。
部分资料展示
2.1、 AI大模型学习路线图，厘清要学哪些
对于刚接触AI大模型的小白来说，最头疼的问题莫过于“不知道从哪学起”，没有清晰的方向很容易陷入“东学一点、西补一块”的低效困境，甚至中途放弃。
为了解决这个痛点，我把完整的学习路径拆解成了L1到L4四个循序渐进的阶段，从最基础的入门认知，到核心理论夯实，再到实战项目演练，最后到进阶优化与落地，每一步都明确了学习目标、核心知识点和配套实操任务，带你一步步从“零基础”成长为“能落地”的大模型学习者。后续还会陆续拆解每个阶段的具体学习内容，大家可以先收藏起来，跟着路线逐步推进。
L1级别:大模型核心原理与Prompt
L1阶段：将全面介绍大语言模型的基本概念、发展历程、核心原理及行业应用。从A11.0到A12.0的变迁,深入解析大模型与通用人工智能的关系。同时,详解OpenAl模型、国产大模型等,并探讨大模型的未来趋势与挑战。此外,还涵盖Pvthon基础、提示工程等内容。
目标与收益:掌握大语言模型的核心知识,了解行业应用与趋势;熟练Python编程,提升提示工程技能,为AI应用开发打下坚实基础。
L2级别：RAG应用开发工程
L2阶段：将深入讲解AI大模型RAG应用开发工程,涵盖Naive RAGPipeline构建、AdvancedRAG前治技术解读、商业化分析与优化方案,以及项目评估与热门项目精讲。通过实战项目，提升RAG应用开发能力。
目标与收益:掌握RAG应用开发全流程,理解前沿技术,提升商业化分析与优化能力,通过实战项目加深理解与应用。
L3级别：Agent应用架构进阶实践
L3阶段：将 深入探索大模型Agent技术的进阶实践,从Langchain框架的核心组件到Agents的关键技术分析,再到funcation calling与Agent认知框架的深入探讨。同时,通过多个实战项目,如企业知识库、命理Agent机器人、多智能体协同代码生成应用等,以及可视化开发框架与IDE的介绍,全面展示大模型Agent技术的应用与构建。
目标与收益:掌握大模型Agent技术的核心原理与实践应用,能够独立完成Agent系统的设计与开发,提升多智能体协同与复杂任务处理的能力,为AI产品的创新与优化提供有力支持。
L4级别:模型微调与私有化大模型
L4级别：将聚焦大模型微调技术与私有化部署,涵盖开源模型评估、微调方法、PEFT主流技术、LORA及其扩展、模型量化技术、大模型应用引警以及多模态模型。通过chatGlM与Lama3的实战案例,深化理论与实践结合。
目标与收益:掌握大模型微调与私有化部署技能,提升模型优化与部署能力,为大模型项目落地打下坚实基础。
2.2、 全套AI大模型应用开发视频教程
从入门到进阶这里都有，跟着老师学习事半功倍。
2.3、 大模型学习书籍&文档
收录《从零做大模型》《动手做AI Agent》等经典著作，搭配阿里云、腾讯云官方技术白皮书，帮你夯实理论基础。
2.4、AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
2.5、大模型大厂面试真题
整理了百度、阿里、字节等企业近三年的AI大模型岗位面试题，涵盖基础理论、技术实操、项目经验等维度，每道题都配有详细解析和答题思路，帮你针对性提升面试竞争力。
【大厂 AI 岗位面经分享（107 道）】
【AI 大模型面试真题（102 道）】
【LLMs 面试真题（97 道）】
2.6、大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
适用人群
四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
硬件选型
带你了解全球大模型
使用国产大模型服务
搭建 OpenAI 代理
热身：基于阿里云 PAI 部署 Stable Diffusion
在本地计算机运行大模型
大模型的私有化部署
基于 vLLM 部署大模型
案例：如何优雅地在阿里云私有部署开源大模型
部署一套开源 LLM 项目
内容安全
互联网信息服务算法备案
…
👇👇扫码免费领取全部内容👇👇
3、这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
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技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
