读书笔记：图解大模型——生成式AI原理与实战

## 书籍信息

- **原书名**：Hands-On Large Language Models
- **中文名**：图解大模型：生成式AI原理与实战
- **作者**：Jay Alammar（沙特）、Maarten Grootendorst（荷兰）
- **出版**：O'Reilly, 2024
- **页数**：~400 页，数百张原创插图

- **定位**：从零到实战的 LLM 全景指南，图解驱动，代码可跑
- **推荐人**：Andrew Ng、Nils Reimers（sentence-transformers 作者）、Josh Starmer（StatQuest）
## 为什么读这本书

作为数据研发工程师，大模型已经从「论文里的概念」变成了「每天都在用的工具」。但用归用，很多核心机制——Transformer 的注意力到底在算什么、Embedding 空间为什么能捕捉语义、RAG 的检索链路怎么设计——一直停留在「大概知道」的阶段。

Jay Alammar 是写出 The Illustrated Transformer 的人，他的可视化能力是业界公认的。这本书延续了他一贯的图解风格，把抽象的数学过程拆成直觉可理解的视觉流程。对我来说，这不是一本「入门书」，而是一本「把模糊认知变成清晰认知」的书。

读完之后，我和 Jarvis 一起把书中第 8 章（语义搜索与 RAG）的理论落地成了一个真实项目——[siyuan-rag：思源笔记联动](https://www.xuezhao.space/openclaw_05.html)，为自己的思源笔记构建了混合检索系统（BM25 + Vector + RRF）。理论到实践的闭环，是这本书最大的价值。

---

## 全书骨架

三部分，十二章，一条清晰的递进线：

```
Part I  理解语言模型（Ch 1-3）
  → 语言模型是什么、词元化、嵌入向量、Transformer 架构
Part II 使用预训练模型（Ch 4-9）
  → 分类、聚类、Prompt Engineering、文本生成、语义搜索/RAG、多模态
Part III 训练与微调（Ch 10-12）
  → 构建嵌入模型、微调分类模型、微调生成模型
```

递进逻辑：先建立「是什么」的认知基础 → 再学「怎么用」的实战技能 → 最后掌握「怎么改」的深度能力。

---

## Part I：理解语言模型

### Ch 1 语言模型导论

这一章建立了全书的概念地图。核心区分：

- **表示模型（Representation Models）** ：BERT 系，双向上下文，擅长理解（分类、检索、相似度）
- **生成模型（Generative Models）** ：GPT 系，自回归，擅长生成（续写、对话、翻译）
关键洞察：这两类模型不是对立的，而是同一个 Transformer 架构在不同训练目标下的产物。BERT 用 MLM（掩码语言模型），GPT 用 CLM（因果语言模型）。训练目标决定了模型的「视野」——BERT 能看到前后文，GPT 只能看到前文。

### Ch 2 词元与嵌入

这是全书最基础也最重要的一章。两个核心概念：

**词元化（Tokenization）** ：

- 文本不是以「词」为单位进入模型的，而是以「子词（subword）」为单位
- BPE（Byte Pair Encoding）：从字符级开始，统计最高频的相邻对，逐步合并。优雅地解决了 OOV（未登录词）问题
- WordPiece、SentencePiece：变体，核心思想一致
- 实际影响：tokenizer 的选择直接决定了模型的「视力」——同一段中文，不同 tokenizer 切出的 token 数量可能差 2-3 倍，直接影响上下文窗口的有效利用率
**嵌入向量（Embeddings）** ：

- Token Embedding：每个 token 映射到一个高维向量（如 768 维）
- Position Embedding：注入位置信息，让模型知道词序
- 嵌入空间的几何意义：语义相近的词在向量空间中距离更近
- 这不是隐喻，是数学事实——余弦相似度可以量化语义距离
**个人体会**：在做 siyuan-rag 项目时，选择 embedding 模型是第一个关键决策。我们最终用了 Qwen3-Embedding-0.6B（1024 维），它在中文语义捕捉上的表现明显优于通用的多语言小模型。维度越高不一定越好，但对于中文这种信息密度高的语言，1024 维比 512 维确实能保留更多语义细节。

### Ch 3 深入 Transformer

全书技术密度最高的一章，也是 Jay Alammar 最擅长的领域。

**自注意力机制（Self-Attention）** ：

- Q（Query）、K（Key）、V（Value）三个矩阵的直觉：Q 是「我在找什么」，K 是「我能提供什么」，V 是「我的实际内容」
- $\text{Attention}(Q,K,V) = \text{softmax}(QK^T / \sqrt{d_k}) \cdot V$
- $\sqrt{d_k}$ 的缩放：防止点积过大导致 softmax 梯度消失，这个细节在很多教程里被一笔带过，但它对训练稳定性至关重要
- 多头注意力：不同的头关注不同的语义维度（有的关注语法关系，有的关注语义关联，有的关注位置模式）
**前馈网络（FFN）** ：

- 注意力层负责「信息交互」，FFN 负责「信息加工」
- 两层线性变换 + 激活函数，中间维度通常是隐藏维度的 4 倍
- 可以理解为模型的「知识存储层」——大量的世界知识编码在 FFN 的参数中
**层归一化与残差连接**：

- Pre-Norm vs Post-Norm：现代模型普遍采用 Pre-Norm（先归一化再进子层），训练更稳定
- 残差连接：保证梯度流通，让深层网络可训练
**注意力的计算复杂度——为什么上下文窗口有限**：

自注意力的核心运算是 $QK^T$，这是两个 $(n \times d)$ 矩阵的乘法，结果是 $(n \times n)$ 的注意力矩阵。因此：

- 时间复杂度：$O(n^2 \cdot d)$，n 是序列长度
- 空间复杂度：$O(n^2)$，需要存储完整的注意力矩阵
当 n=4096 时，注意力矩阵有 1600 万个元素；n=128K 时，暴涨到 160 亿。这就是为什么上下文窗口不能无限扩大——不是模型不想看更多，是算不过来。

**工程上的解决方案**（书中未深入，补充）：

- **Flash Attention**（Dao et al., 2022）：不显式构造 $n \times n$ 矩阵，用分块计算 + IO 感知算法，显存从 $O(n^2)$ 降到 $O(n)$，速度提升 2-4x。现在几乎所有主流框架都默认启用
- **Sparse Attention**：只计算部分位置对的注意力（局部窗口 + 全局 token），复杂度降到 $O(n\sqrt{n})$ 或 $O(n \cdot \log n)$
- **线性注意力**（Linear Attention）：用核函数近似 softmax，复杂度降到 $O(n \cdot d^2)$，但效果通常有损
- **Sliding Window + Sink Token**（Mistral 的方案）：固定窗口大小 + 保留开头几个 token，实现无限长度推理
理解这个 $O(n^2)$ 瓶颈，才能理解为什么 RAG（Ch 8）如此重要——与其把所有信息塞进上下文窗口，不如只检索最相关的片段。

---

## Part II：使用预训练模型

### Ch 4 文本分类

从 BERT 的 [CLS] token 出发，展示了表示模型最经典的应用：

- **零样本分类**：利用 NLI（自然语言推理）模型，把分类问题转化为「前提-假设」的蕴含判断
- **少样本分类**：SetFit 框架，用对比学习 + 少量标注数据微调 sentence-transformer
- 实际启示：在数据稀缺的场景下，零样本和少样本方法的性价比远高于从头训练
### Ch 5 文本聚类与主题建模

- BERTopic：Maarten Grootendorst 自己的作品，embedding → UMAP 降维 → HDBSCAN 聚类 → c-TF-IDF 提取主题词
- 这条管线的设计哲学：每一步都用最适合的工具，而不是端到端黑箱
- 对我的启发：模块化设计比端到端更可控、可调试、可解释
**BERTopic 管线流程图**：

每一步都可以独立替换：换 embedding 模型、换降维算法（t-SNE）、换聚类算法（K-Means），这就是模块化的威力。

### Ch 6 Prompt Engineering

- 系统提示、少样本示例、思维链（CoT）、输出格式约束
- 核心观点：prompt 不是「咒语」，而是对模型注意力的精确引导
- 温度（temperature）和 top-p 的直觉：温度控制概率分布的「锐度」，top-p 控制候选集的「宽度」
### Ch 7 高级文本生成

- Beam Search vs Sampling：确定性 vs 多样性的权衡
- 重复惩罚、长度惩罚：生成质量的工程细节
工具调用（Function Calling）的概念在本书中未涉及，但它是 LLM 从「文本生成器」变成「行动执行器」的关键转变（OpenAI 2023 年中推出）。理解 Ch 7 的生成机制是理解 Function Calling 的前置知识。

- 这一章的实际价值：理解这些参数，才能在生产环境中调出稳定的生成效果
### Ch 8 语义搜索与 RAG ⭐

**这是全书对我影响最大的一章，也是 siyuan-rag 项目的理论基础。**

**语义搜索的核心链路**：

1. 文档分块（Chunking）→ 2. 向量化（Embedding）→ 3. 索引存储（Vector Store）→ 4. 查询向量化 → 5. 相似度检索 → 6. 结果排序
**RAG（Retrieval-Augmented Generation）** ：

- 动机：LLM 的知识有截止日期，且会产生幻觉。RAG 通过「先检索再生成」，让模型基于真实文档回答
- 架构：Query → Retriever → Top-K Documents → LLM(Query + Context) → Answer
- 关键设计决策：
  - 分块策略：块太大则噪声多，块太小则上下文断裂
  - 检索方式：纯向量 vs 纯关键词 vs 混合检索
  - 重排序（Reranking）：粗检索 + 精排序的两阶段范式
**书中的理论 vs 我的实践（siyuan-rag）** ：

|维度|书中建议|实际落地|
| -----------| -------------------------| ---------------------------------------------------------------------------|
|分块|固定大小 + 重叠|利用思源笔记的天然块结构，按标题层级分块（200-500 token），保留层级上下文|
|Embedding|OpenAI text-embedding-3|Qwen3-Embedding-0.6B（ModelScope 免费 API，1024 维）|
|向量存储|Pinecone / Weaviate|ChromaDB（文件级，零运维，适合个人项目）|
|检索策略|纯向量检索|BM25 + 向量 + RRF 融合（混合检索，兼顾精确匹配和语义理解）|
|部署|Cloud API|本地 systemd 服务（端口 8002），集成到 invest-platform|

**混合检索的 RRF 融合**：

- 公式：$\text{score}(d) = \sum \frac{1}{k + \text{rank}_i(d)}$，$k=60$
- 直觉：不看绝对分数，只看排名。两个检索器都排在前面的文档，融合后排名更高
- 实测效果：对于中文笔记，纯向量检索在同义词场景强，纯 BM25 在精确术语场景强，混合检索两者兼得
**踩过的坑**：

- ModelScope 的内容审查会拦截含敏感词的 embedding 请求 → 解决方案：batch 失败时逐条重试，单条被拦返回空向量
- embedding API 必须显式传 encoding_format: "float"，否则返回格式错误
- ChromaDB 的维度一旦建库就不能改，从 512 维切到 1024 维需要重建索引
### Ch 9 多模态大模型

- CLIP：文本和图像共享嵌入空间的开创性工作
- LLaVA：视觉编码器 + 语言模型的桥接架构
- 趋势：从「文本理解」到「世界理解」，多模态是必然方向
---

## Part III：训练与微调

### Ch 10 构建嵌入模型

- 对比学习（Contrastive Learning）：正样本拉近，负样本推远
- 损失函数：InfoNCE / Triplet Loss / Multiple Negatives Ranking Loss
- 硬负样本挖掘：训练质量的关键——太简单的负样本学不到东西，太难的负样本会误导模型
- 与 siyuan-rag 的关联：理解了嵌入模型的训练原理，才能理解为什么不同模型在不同场景下表现差异巨大
**对比学习的直觉**（书中概念的展开补充）：想象一个向量空间，"猫"和"小猫"应该靠近，"猫"和"汽车"应该远离。对比学习就是不断调整这个空间，让语义相近的点聚拢、语义无关的点散开。

**三种损失函数的区别**（书中提及名称，以下为展开补充）：

- **InfoNCE**：给定一个 anchor，从 1 个正样本 + N 个负样本中识别正样本。N 越大，训练信号越强，但计算成本也越高
- **Triplet Loss**：每次只看 (anchor, positive, negative) 三元组，margin 参数控制正负样本之间的最小距离。简单直观但收敛慢
- **Multiple Negatives Ranking Loss**：batch 内的其他样本自动作为负样本，不需要显式构造负样本对。sentence-transformers 默认使用，效率最高
**硬负样本的"金发姑娘区间"** （书中概念的直觉补充）：

```
太简单的负样本（猫 vs 汽车）→ 模型轻松区分，学不到东西
太难的负样本（猫 vs 豹）    → 可能本身就有语义关联，误导模型
刚好的负样本（猫 vs 狗）    → 迫使模型学习细粒度的语义差异
```

实际工程中，BM25 检索 top-K 但不在 top-1 的结果，往往是很好的硬负样本来源。

### Ch 11 微调分类模型

- 在预训练 BERT 上加分类头，冻结底层、微调顶层
- 学习率调度：warmup + linear decay，避免灾难性遗忘
- LoRA 的思想：不改原始权重，只训练低秩增量矩阵，参数效率极高
**LoRA 的低秩分解直觉**（书中提及概念，以下为数学展开补充）：

原始权重矩阵 $W$ 是 $d \times d$（比如 $768 \times 768 = 59$ 万参数）。LoRA 的核心思想：微调时权重的变化量 $\Delta W$ 是低秩的，可以分解为两个小矩阵的乘积：

```
ΔW = A × B
其中 A: d×r, B: r×d, r << d（通常 r=4~16）

当 r=8 时：
原始微调：768×768 = 589,824 参数
LoRA 微调：768×8 + 8×768 = 12,288 参数（仅 2%）
```

推理时 $W_{new} = W + AB$，可以合并回原始权重，零额外推理开销。这就是为什么 LoRA 能做到「训练时省内存，推理时零成本」。

**灾难性遗忘（Catastrophic Forgetting）** ：微调时如果学习率太大或训练太久，模型会「忘记」预训练学到的通用知识。解决方案：

- Warmup：前几百步用极小学习率，让模型「热身」
- Linear Decay：学习率逐步衰减，避免后期过拟合
- 冻结底层：底层编码通用语言特征（语法、词法），只微调顶层的任务特定特征
### Ch 12 微调生成模型

- SFT（Supervised Fine-Tuning）：用指令-回答对微调
- RLHF（Reinforcement Learning from Human Feedback）：奖励模型 + PPO 优化
- DPO（Direct Preference Optimization）：绕过奖励模型，直接从偏好数据优化
- QLoRA：量化 + LoRA，让微调在消费级 GPU 上可行
**从 SFT 到 RLHF 到 DPO 的演进逻辑**（书中简要介绍了这三种方法，以下为展开补充）：

```
SFT（监督微调）
  → 用「指令-回答」对直接训练，简单有效
  → 问题：模型学会了格式，但不知道什么是「好回答」

RLHF（人类反馈强化学习）
  → 训练一个奖励模型（Reward Model）来打分
  → 用 PPO 算法让生成模型最大化奖励分数
  → 问题：训练不稳定，需要同时维护 4 个模型（policy/ref/reward/critic），显存爆炸

DPO（直接偏好优化）[Rafailov et al., 2023]
  → 核心洞察：奖励模型可以被数学等价地消除
  → 直接从人类偏好数据（A 比 B 好）优化策略模型
  → 只需要 2 个模型（policy + reference），训练稳定，效果相当
  → 公式本质：增大好回答的概率，降低差回答的概率，用 reference model 做正则化防止偏离太远
```

**DPO 为什么能绕过奖励模型**：Bradley-Terry 偏好模型下，最优策略和奖励函数之间存在解析解关系。把这个关系代入 RLHF 的目标函数，奖励模型就被消掉了，变成了一个纯监督学习问题。数学上等价，工程上简单得多。

**QLoRA = 量化 + LoRA**：

- 4-bit 量化（NF4）：把模型权重从 FP16（2 bytes）压缩到 4-bit（0.5 bytes），显存占用直接降 75%
- 在量化后的模型上做 LoRA 微调：只训练低秩增量矩阵（FP16 精度）
- 双重分页：GPU 显存不够时自动 offload 到 CPU 内存
- 实际效果：**65B 参数的模型可以在单张 48GB GPU 上微调**（A6000），而全参数微调需要 >780GB
- 7B 模型甚至可以在 RTX 3090（24GB）上跑 QLoRA 微调
**训练范式总结**：

|方法|训练数据|模型数量|显存需求|效果|
| -----------| --------------| -----------| ----------| -------------------|
|SFT|指令-回答对|1|中|基础|
|RLHF|偏好排序|4|极高|最好但不稳定|
|DPO|偏好对 (A>B)|2|高|接近 RLHF，更稳定|
|QLoRA+DPO|偏好对|2（量化）|低|消费级 GPU 可行|

---

## 核心收获与反思

### 三个认知升级

1. **Embedding 不是黑箱，是可设计的语义空间**。选择什么模型、什么维度、什么训练数据，直接决定了下游任务的天花板。在 siyuan-rag 中，从 512 维切到 1024 维，检索相关性有可感知的提升。
2. **RAG 不是「检索 + 生成」的简单拼接，是一个需要精心设计的系统工程**。分块策略、检索方式、重排序、上下文窗口管理，每一环都影响最终效果。书中给了理论框架，实践中还需要根据数据特点反复调优。
3. **Transformer 的优雅在于「注意力即计算」** 。不需要手工设计特征提取器，让模型自己学习「该关注什么」。这个设计哲学影响了整个深度学习的发展方向。
### 从理论到实践的桥梁

这本书最大的价值不在于某个具体知识点，而在于它提供了一条从「理解原理」到「动手实现」的完整路径。读完第 8 章后，我能够：

- 设计 siyuan-rag 的混合检索架构（BM25 + Vector + RRF）
- 选择合适的 embedding 模型和维度
- 理解为什么某些查询检索效果好、某些不好
- 针对性地优化分块策略和检索参数
这种「知其然且知其所以然」的能力，是纯粹调 API 永远无法获得的。

### 局限与补充（Jarvis 的建议）

- 书出版于 2024 年，部分内容已被更新的技术部分取代：
  - RLHF → DPO（[Rafailov et al., 2023, "Direct Preference Optimization"](https://arxiv.org/abs/2305.18290)）：更简单、更稳定
  - DPO → GRPO（DeepSeek 提出）：Group Relative Policy Optimization，进一步简化，不需要 reference model
- 对中文场景的覆盖较少，tokenizer 和 embedding 的中文适配需要额外研究
  - 中文 tokenizer 效率差异大：GPT-4 的 cl100k 对中文约 1.5 token/字，Qwen 的 tokenizer 约 0.7 token/字，直接影响上下文利用率
  - 中文 embedding 推荐：Qwen3-Embedding（我们在用）、BGE-M3、Jina-v3
- 缺少对推理优化（量化、蒸馏、推测解码）的深入讨论
  - 推荐补充：[vLLM 文档](https://docs.vllm.ai/)（PagedAttention 推理加速）、[HuggingFace TGI](https://huggingface.co/docs/text-generation-inference/)（生产级推理服务）
  - 推测解码（Speculative Decoding）：用小模型草拟、大模型验证，加速 2-3x 且输出分布不变
- 缺少对 Attention 优化的讨论（Flash Attention、Sparse Attention 等），已在 Ch 3 笔记中补充
- 建议补充阅读：
  - [Lilian Weng - "Attention? Attention!"](https://lilianweng.github.io/posts/2018-06-24-attention/)：注意力机制最佳综述
  - [Lilian Weng - "LLM Powered Autonomous Agents"](https://lilianweng.github.io/posts/2023-06-23-agent/)：Agent 架构综述
  - [Andrej Karpathy - "Let's build GPT from scratch"](https://www.youtube.com/watch?v=kCc8FmEb1nY)：2 小时从零实现 GPT，强烈推荐
  - [Andrej Karpathy - nanoGPT](https://github.com/karpathy/nanoGPT)：最简 GPT 实现，适合动手理解 Transformer
  - [Sebastian Raschka - "Build a Large Language Model From Scratch"](https://github.com/rasbt/LLMs-from-scratch)：另一本优秀的动手书
---

## 推荐阅读路径

如果时间有限，建议按以下优先级：

1. **必读**：Ch 2（词元与嵌入）→ Ch 3（Transformer）→ Ch 8（语义搜索与 RAG）
2. **推荐**：Ch 6（Prompt Engineering）→ Ch 10（构建嵌入模型）→ Ch 12（微调生成模型）
3. **按需**：Ch 4-5（分类/聚类）→ Ch 7（高级生成）→ Ch 9（多模态）→ Ch 11（微调分类）
核心三章（2、3、8）读透，就能建立起对 LLM 的系统性理解。其余章节根据实际需求选读。

---

*2026-02-22 · 读后整理*

## 书籍信息

---

## 全书骨架

三部分，十二章，一条清晰的递进线：

递进逻辑：先建立「是什么」的认知基础 → 再学「怎么用」的实战技能 → 最后掌握「怎么改」的深度能力。

---

## Part I：理解语言模型

### Ch 1 语言模型导论

这一章建立了全书的概念地图。核心区分：

### Ch 2 词元与嵌入

这是全书最基础也最重要的一章。两个核心概念：

**词元化（Tokenization）** ：

### Ch 3 深入 Transformer

全书技术密度最高的一章，也是 Jay Alammar 最擅长的领域。

**自注意力机制（Self-Attention）** ：

自注意力的核心运算是 $QK^T$，这是两个 $(n \times d)$ 矩阵的乘法，结果是 $(n \times n)$ 的注意力矩阵。因此：

**工程上的解决方案**（书中未深入，补充）：

---

## Part II：使用预训练模型

### Ch 4 文本分类

从 BERT 的 [CLS] token 出发，展示了表示模型最经典的应用：

每一步都可以独立替换：换 embedding 模型、换降维算法（t-SNE）、换聚类算法（K-Means），这就是模块化的威力。

### Ch 6 Prompt Engineering

- 这一章的实际价值：理解这些参数，才能在生产环境中调出稳定的生成效果
### Ch 8 语义搜索与 RAG ⭐

**这是全书对我影响最大的一章，也是 siyuan-rag 项目的理论基础。**

**语义搜索的核心链路**：

**混合检索的 RRF 融合**：

- CLIP：文本和图像共享嵌入空间的开创性工作
- LLaVA：视觉编码器 + 语言模型的桥接架构
- 趋势：从「文本理解」到「世界理解」，多模态是必然方向
---

## Part III：训练与微调

### Ch 10 构建嵌入模型

**三种损失函数的区别**（书中提及名称，以下为展开补充）：

实际工程中，BM25 检索 top-K 但不在 top-1 的结果，往往是很好的硬负样本来源。

### Ch 11 微调分类模型

```
ΔW = A × B
其中 A: d×r, B: r×d, r << d（通常 r=4~16）

当 r=8 时：
原始微调：768×768 = 589,824 参数
LoRA 微调：768×8 + 8×768 = 12,288 参数（仅 2%）
```

推理时 $W_{new} = W + AB$，可以合并回原始权重，零额外推理开销。这就是为什么 LoRA 能做到「训练时省内存，推理时零成本」。

**灾难性遗忘（Catastrophic Forgetting）** ：微调时如果学习率太大或训练太久，模型会「忘记」预训练学到的通用知识。解决方案：

```
SFT（监督微调）
  → 用「指令-回答」对直接训练，简单有效
  → 问题：模型学会了格式，但不知道什么是「好回答」

**QLoRA = 量化 + LoRA**：

---

## 核心收获与反思

### 三个认知升级

这本书最大的价值不在于某个具体知识点，而在于它提供了一条从「理解原理」到「动手实现」的完整路径。读完第 8 章后，我能够：

### 局限与补充（Jarvis 的建议）

## 推荐阅读路径

如果时间有限，建议按以下优先级：

---

*2026-02-22 · 读后整理*

最后修改：2026 年 02 月 25 日

如果觉得我的文章对你有用，请随意赞赏

读书笔记：图解大模型——生成式AI原理与实战

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

基于思源笔记的写作、管理和分发流程

2024年计划与达成情况概览【更新至四月底】

【减脂漫谈】减脂45kg的思考和行动计划

基于Kindle、纸间书摘、思源笔记的全平台同步阅读及闪卡流程

08.老婆生日、半马完结

06. 自动化工作流：Heartbeat、Cron 与备份

《超级智能》——当造物主成为濒危物种

2024年计划与达成情况概览【更新至四月底】

06.数据安全、1900、健身房优化小点子以及目标导向

07. Claude Code 集成：AI 写代码的正确姿势

读书笔记：图解大模型——生成式AI原理与实战

发表评论 取消回复 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

读书笔记：图解大模型——生成式AI原理与实战

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款