大语言模型(LLM)入门学习路线图

Github项目上有一个大语言模型学习路线笔记，它全面涵盖了大语言模型的所需的基础知识学习，LLM前沿算法和架构，以及如何将大语言模型进行工程化实践。这份资料是初学者或有一定基础的开发/算法人员入门活深入大型语言模型学习的优秀参考。这份资料重点介绍了我们应该掌握哪些核心知识，并推荐了一系列优质的学习视频和博客，旨在帮助大家系统性地掌握大型语言模型的相关技术。

大语言模型（Large Language Model，LLM）入门学习路线包括了三个方面：

• 大语言模型基础: 这涵盖了学习LLM所需的基本知识，包括数学、Python编程语言以及神经网络的原理。
• 大语言模型前沿算法和框架: 在这一部分，重点是利用最新的技术构建LLM。这包括研究和应用先进的算法和模型架构，以提高模型的性能和效率。
• 大语言模型工程化: 这一部分专注于创建基于LLM的应用程序，并将这些应用部署到实际环境中。这包括学习如何将LLM集成到各种平台和系统中，以及如何确保这些系统的稳定性和可扩展性。

1. 大语言模型基础

包括了数学基础知识、python基础、神经网络和NLP自然语言四个方面的学习。

1.1 机器学习的数学

• 线性代数：理解算法的关键。主要概念包括向量、矩阵、行列式、特征值和特征向量、向量空间和线性变换。
• 微积分：许多机器学习算法涉及连续函数的优化，这需要理解导数、积分、极限和级数。多变量微积分和梯度的概念也很重要。
• 概率与统计：对于理解模型如何从数据中学习也同样重要。主要概念包括概率论、随机变量、概率分布、期望、方差、协方差、相关性、假设检验、置信区间、最大似然估计和贝叶斯推断。

资源：（可能需要科学上网，国内可访问版本在这里也给出一些链接）

• 3Blue1Brown - 线性代数的本质：教学视频，以生动直观的方式介绍了线性代数的相关概念。（B站一个已经翻译配音的版本）
• StatQuest with Josh Starmer - 统计基础：为许多统计概念提供简单清晰的解释。（只找到B站生肉）
• AP Statistics Intuition by Ms Aerin：博文，比较详细和基础，它是Medium文章，需要科学上网才能访问。
• 沉浸式线性代数：线性代数的另一种视觉解释。
• Khan Academy - 线性代数：可汗学院的线性代数课程，适合初学者（B站有中文字幕版）
• Khan Academy - 微积分：涵盖了所有的基础的微积分知识。（B站）
• Khan Academy - 概率与统计：以易于理解的方式讲授。（B站）

1.2 机器学习的Python

Python一直是机器学习和深度学习的首选语言，这得益于其可读性、一致性和鲁棒的数据科学库生态系统。

• Python基础：理解基本语法、数据类型、错误处理和面向对象编程。
• 数据科学库：包括熟悉NumPy进行数值操作，Pandas进行数据操作和分析，Matplotlib和Seaborn进行数据可视化。
• 数据预处理：涉及特征缩放和规范化、处理缺失数据、异常值检测、分类数据编码以及将数据分割成训练、验证和测试集。
• 机器学习库：熟练掌握Scikit-learn，这是一个提供了许多监督和非监督学习算法的库。重点需要了解如何实现线性回归、逻辑回归、决策树、随机森林、最近邻(K-NN)和K均值聚类等算法。

资源：

• Real Python：python学习网站
• freeCodeCamp - 学习Python：Python中所有核心概念的详细介绍视频。该官网的可以访问，但是视频资源需要通过科学上网观看。
• Python数据科学手册：学习pandas、NumPy、Matplotlib和Seaborn的免费书籍。
• freeCodeCamp - 机器学习入门：机器学习算法学习。
• Udacity - 机器学习入门：免费课程，涵盖了PCA和其他几个机器学习概念。

1.3. 神经网络

• 基础知识：这包括理解神经网络的结构，如层、权重、偏置和激活函数（sigmoid、tanh、ReLU等）。
• 训练和优化：熟悉反向传播和不同类型的损失函数，如均方误差（MSE）和交叉熵。理解各种优化算法，如梯度下降、随机梯度下降、RMSprop和Adam。
• 过拟合：理解过拟合的概念（模型在训练数据上表现良好但在未见数据上表现差）并学习各种正则化技术（dropout、L1/L2正则化、早停、数据增强）以防止它。
• 实现多层感知器（MLP）：使用PyTorch构建一个MLP，也称为全连接网络。

资源：

• 3Blue1Brown - 但什么是神经网络？：直观地解释了神经网络及其内部工作原理。（B站配音版本）
• 吴恩达深度学习
• lfreeCodeCamp - 深度学习速成课：深度学习中所有最重要的概念的视频
• Fast.ai - 实用深度学习：为想学习深度学习的有编程经验的人设计的免费课程
• 推荐书籍《一起动手学习深度学习》
• 李宏毅深度学习：更适合中国宝宝的深度学习视频

1.4. 自然语言处理（NLP）

NLP在许多应用中扮演着关键角色，如翻译、情感分析、聊天机器人等。

• 文本预处理：学习各种文本预处理步骤，如分词（将文本分割成单词或句子）、词干提取（将单词还原为其根形式）、词形还原（类似于词干提取但考虑上下文）、停用词去除等。
• 特征提取技术：熟悉将文本数据转换为机器学习算法能理解的格式的技术。关键方法包括词袋模型（BoW）、词频-逆文档频率（TF-IDF）和n-gram。
• 词嵌入：词嵌入是一种单词表示，允许具有相似含义的单词具有相似的表示。关键方法包括Word2Vec、GloVe和FastText。
• 循环神经网络（RNNs）：理解RNNs的工作原理，这是一种为序列数据设计的神经网络类型。探索LSTMs和GRUs，两种RNN变体，它们能够学习长期依赖关系。

资源：

• RealPython - 使用spaCy进行Python自然语言处理：关于在Python中使用spaCy库进行NLP任务的详尽指南。
• Kaggle - NLP指南：一些notebook和资源，用于手把手解释Python中的NLP。
• Jay Alammar - Word2Vec的插图解释：理解著名的Word2Vec架构的好参考。
• Jake Tae - 从头开始的PyTorch RNN：在PyTorch中实现RNN、LSTM和GRU模型的实际和简单操作。
• colah的博客 - 理解LSTM网络：关于LSTM网络的理论性文章。

2. 大语言模型前沿算法和框架

2.1. 大语言模型（LLM）架构

需要清楚地了解模型的输入（token）和输出（logits），而原始的注意力机制（ attention mechanism）是另一个必须掌握的关键部分，因为它是很多改进算法的基础，具体来说需要包括以下技术。

• 高层视角（High-level view:）：编码器encoder-解码器decoder的Transformer架构，特别是仅有解码器的GPT架构，几乎所有流行LLM都应用了该架构。
• 令牌化（Tokenization）：如何将原始文本数据转换成模型能理解的格式，这包括将文本拆分成Token（通常是单词或子词）。
• 注意力机制（Attention mechanisms）：掌握注意力机制的理论，包括自注意力和缩放点积注意力，这使得模型能够在产生输出时关注输入的不同部分。
• 文本生成（Text generation）：模型生成输出序列的多种方式。常见方法包括了贪婪解码（greedy decoding）、束搜索（beam search）、top-k采样（top-k sampling,）和核心采样（nucleus sampling）。

资源：

• Jay Alammar《揭秘Transformer》：对Transformer模型进行了直观和形象的解释。
• Jay Alammar《揭秘GPT-2》：重点讨论了与Llama非常相似的GPT架构。
• Brendan Bycroft《LLM可视化》：对LLM内部发生情况的进行3D可视化。
• Andrej Karpathy《nanoGPT》：一个2小时长的YouTube视频，从头开始重新实现GPT（面向程序员）。（B站中文字幕版）
• Lilian Weng《注意力？注意力！》：以更正式的方式介绍注意力机制的需求。
• 《LLM中的解码策略》：提供代码和对生成文本不同解码策略的视觉介绍。

2.2. 构建指令数据集

虽然从维基百科和其他网站可以轻松地找到原始数据，但何如将数据转换为问题和答案的配对配对却很难。而数据集的质量将直接影响模型的质量，它们是大模型微调（finetune）过程中最重要的组成部分。

• Alpaca-样式数据集：使用OpenAI API（GPT）从头开始生成合成数据。你可以指定种子和系统提示以创建多样化的数据集。
• 高级技术：学习如何通过Evol-Instruct改进现有数据集，如何像在Orca和phi-1论文中那样生成高质量的合成数据。
• 数据过滤：使用正则表达式、移除近似重复项、关注令牌数较多的答案等传统技术。
• 提示模板：在没有真正标准的问题和答案的情况下，了解不同的聊天模板很重要，比如ChatML、Alpaca等。

参考资料:

• 由Thomas Capelle撰写的《为指令调优准备数据集》：探索Alpaca和Alpaca-GPT4数据集及其格式化方法。
• 由Solano Todeschini撰写的《生成葡萄牙语临床指令数据集》：教程，介绍如何使用GPT-4创建合成指令数据集。
• 由Kshitiz Sahay撰写的《使用GPT 3.5为新闻分类创建指令数据集》：使用GPT 3.5创建指令数据集以微调Llama 2进行新闻分类。
• 《为LLM微调创建数据集》：包含一些过滤数据集和上传结果的技术的笔记本。
• 由Matthew Carrigan撰写的《聊天模板》：Hugging Face关于提示模板的页面。

2.3. 模型预训练

是指从大量的无监督数据集中进行模型预训练，模型预训练是一个非常漫长和消费资源的过程，因此它不是本课程的重点。了解一定程度的预训练知识是有必要的，但不需要实践经验。

• 数据管道：预训练需要巨大的数据集（例如，Llama 2是在2万亿令牌上训练的），这些数据集需要被过滤、令牌化，并与预定义的词汇表进行整合。
• 因果语言模型：了解因果和掩码语言模型的区别，以及在这种情况下使用的损失函数。为了有效的预训练，了解更多关于Megatron-LM或gpt-neox。
• 规模化定律：规模化定律描述了基于模型大小、数据集大小和用于训练的计算量的预期模型性能。
• 高性能计算：这里不讨论，但如果你计划从头开始创建自己的LLM（硬件、分布式工作负载等），则需要更多关于HPC的知识是基础。

参考资料:

• Junhao Zhao《LLMDataHub》：为预训练、微调和RLHF策划的数据集列表。
• Hugging Face《从头开始训练因果语言模型》：使用transformers库从头开始预训练GPT-2模型。
• Zhang等人创建的《TinyLlama》：检查此项目以了解如何从头开始训练Llama模型。
• Hugging Face提供的《因果语言模型》：解释因果和掩码语言模型的区别，以及如何快速微调DistilGPT-2模型。
• nostalgebraist撰写的《Chinchilla的狂野含义》：讨论规模化定律并解释它们对LLM通常意味着什么。
• BigScience提供的《BLOOM》：Notion页面，描述了如何构建BLOOM模型，包括大量有关工程部分和遇到的问题的有用信息。
• Meta提供的《OPT-175日志》：研究日志显示了什么出了问题，什么做得对。如果你计划预训练一个非常大的语言模型（在这种情况下，是175B参数），这将非常有用。
• 《LLM 360》：一个开源LLM框架，提供训练和数据准备代码、数据、指标和模型。

2.4. 监督式微调（Supervised Fine-Tuning）

监督式微调允许人们根据配对的数据进行问题/指令的响应，是一个重要的模型训练过程。

• 完全微调（Full fine-tuning）：完全微调指的是训练模型中的所有参数。这不是一种高效的技术，但它产生稍好的结果。
• LoRA：一种基于低秩适配器的参数高效技术（PEFT）。我们只训练这些适配器，而不是所有参数。
• QLoRA：另一种基于LoRA的PEFT，它还将模型的权重量化为4位，并引入分页优化器来管理内存峰值。将其与Unsloth结合使用，可以在免费的Colab笔记本上有效运行。
• Axolotl：一个用户友好且强大的微调工具，被用于许多最先进的开源模型。
• DeepSpeed：高效的预训练和微调LLM，适用于多GPU和多节点设置（在Axolotl中实现）。

参考资料:

• 由Alpin撰写的《LLM训练新手指南》：概述微调LLM时要考虑的主要概念和参数。
• 由Sebastian Raschka提供的《LoRA洞察》：关于LoRA的实际洞察和如何选择最佳参数。
• 《自己微调Llama 2模型》：关于如何使用Hugging Face库微调Llama 2模型的动手教程。
• 由Benjamin Marie撰写的《为因果LLM填充训练示例》：因果LLM填充训练示例的最佳实践。
• 《LLM微调初学者指南》：关于如何使用Axolotl微调CodeLlama模型的教程。

2.5. 通过人类反馈进行强化学习（Reinforcement Learning from Human Feedback）

在监督式微调之后，RLHF是一个用来将LLM产生的答案达到和人类回答差不多的重要步骤。其思想是从人工反馈中学习偏好。它比SFT更复杂，但是该步骤通常被视为可选的。

• 偏好数据集（Preference datasets）：这些数据集通常包含几个答案，并有某种排名，但是这种数据集更难产生。
• 近端策略优化（Proximal Policy Optimization）：这个算法利用一个奖励模型来预测给定文本是否被人类高度评价。然后使用这个预测来优化SFT模型，一般使用基于KL散度加上惩罚的方式来执行。
• 直接偏好优化（Direct Preference Optimization）：DPO简化将其重新构架为一个分类问题。它使用参考模型而不是奖励模型（无需训练），只需要一个超参数，使其更稳定和高效。

参考资料:

• 由Ayush Thakur撰写的《使用RLHF训练LLM简介》：解释为什么使用RLHF减少偏见并提高LLM性能是可取的。
• 由Hugging Face提供的《RLHF插图》：介绍了奖励模型训练和通过强化学习进行微调的RLHF。
• 由Hugging Face提供的《StackLLaMA》：使用transformers库高效对齐LLaMA模型与RLHF的教程。
• 由Sebastian Rashcka撰写的《LLM训练：RLHF及其替代方案》：概述RLHF过程和替代方案，如RLAIF。
• 《使用DPO微调Mistral-7b》：使用DPO微调Mistral-7b模型的教程，并复现NeuralHermes-2.5。

2.6. 评估（Evaluation）

评估LLM是一个被低估的部分，它既耗时但是又相对可靠。你的下游任务应该决定你想评估什么，但始终记住Goodhart法则：“当一个指标成为目标时，它就不再是一个好的指标。”

• 传统指标：困惑度和BLEU分数这样的指标不再像以前那样受欢迎，因为在大多数情况下它们是有缺陷的。了解它们以及何时可以应用它们很重要。
• 通用基准：基于语言模型评估工具，Open LLM排行榜是通用LLM（如ChatGPT）的主要基准。还有其他流行的基准，如BigBench、MT-Bench等。
• 特定任务基准：如摘要、翻译和问答等任务有专门的基准、指标甚至子领域（医疗、金融等），如PubMedQA用于生物医学问答。
• 人类评估：最可靠的评估是用户的接受率或人类做出的比较。如果你想知道模型是否表现良好，最简单但最可靠的方式是自己使用它。

参考资料:

• 由Hugging Face提供的《固定长度模型的困惑度》：困惑度概述，包括用transformers库实现它的代码。
• 由Rachael Tatman撰写的《自担风险使用BLEU》：BLEU分数及其许多问题的概述，附有示例。
• 由Chang等人撰写的《评估LLM的调查》：关于评估什么、在哪里评估以及如何评估的综合论文。
• 由lmsys提供的《聊天机器人竞技场排行榜》：基于人类比较的通用LLM的Elo评分。

2.7. 量化

量化是将模型的权重（和激活）使用更低精度进行转换的过程。例如，使用16位存储的权重可以转换为4位表示。这项技术已经越来越重要，因为它可以减少与LLM相关的计算和内存成本，以使其在计算资源更低的设备上运行。

• 基础技术：了解不同的精度水平（FP32, FP16, INT8等）以及如何使用absmax和零点技术进行朴素量化。
• GGUF和llama.cpp：最初设计用于在CPU上运行，llama.cpp和GGUF格式已成为在消费级硬件上运行LLM的最受欢迎的工具。
• GPTQ和EXL2：GPTQ特别是EXL2格式提供了惊人的速度，但只能在GPU上运行。模型也需要很长时间才能被量化。
• AWQ：这种新格式比GPTQ更准确（困惑度更低），但使用的VRAM更多，不一定更快。

参考资料:

• 《量化简介》：量化概述，absmax和零点量化以及LLM.int8()的代码。
• 《使用llama.cpp量化Llama模型》：关于如何使用llama.cpp和GGUF格式量化Llama 2模型的教程。
• 《使用GPTQ进行LLM的4位量化》：使用GPTQ算法量化LLM的教程，附有AutoGPTQ。
• 《ExLlamaV2：运行LLM的最快库》：关于如何使用EXL2格式量化Mistral模型并使用ExLlamaV2库运行它的指南。
• 《理解激活感知权重量化》由FriendliAI提供：AWQ技术及其优势的概述。

2.8. 新趋势

• 位置嵌入（Positional embeddings）：了解LLM如何编码位置，尤其是RoPE这样的相对位置编码方案。实现YaRN（通过温度因子乘以注意力矩阵）或ALiBi（基于token距离的注意力惩罚）以延长上下文长度。
• 模型合并（Model merging）：合并训练好的模型已成为创建性能模型而无需任何微调的流行方式。流行的mergekit库实现了最受欢迎的合并方法，如SLERP、DARE和TIES。
• 专家混合：Mixtral因其出色的性能而重新流行化MoE架构。与此同时，OSS社区出现了一种通过合并模型（如Phixtral）的frankenMoE，这是一个更便宜且性能良好的选项。
• 多模态模型：这些模型（如CLIP、Stable Diffusion或LLaVA）处理多种类型的输入（文本、图像、音频等），具有统一的嵌入空间，解锁了强大的应用，如文本到图像。

参考资料:

• 《扩展RoPE》由EleutherAI提供：总结不同位置编码技术的文章。
• [《理解YaRN》](https://medium.com/@rcrajatchawla/understanding-yarn-extending-context-window-of-llms 3f21e3522465)由Rajat Chawla提供：YaRN介绍。
• 《使用mergekit合并LLM》：关于使用mergekit合并模型的教程。
• 《专家混合解释》由Hugging Face提供：关于MoEs及其工作原理的详尽指南。
• 《大型多模态模型》由Chip Huyen提供：多模态系统及其近期历史的概述。

3. LLM工程化

在这阶段集中于如何构建和部署基于大语言模型（LLM）的应用程序，以便在生产环境中使用。它分为几个部分，每部分都聚集于LLM应用开发的不同方面：

3.1 运行大型语言模型 (LLMs)

运行LLMs可能会因为硬件要求而变得困难。而我们可以通过Api的方式（如GPT-4）来简单的使用大模型。当然也可以进行本地运行。无论哪种方式，都需要额外的提示和引导技巧（也叫做提示工程， prompting engineer）来提升模型的输出质量。

• LLM APIs: API是部署LLMs的一种比较简单的方式，它不要求设备拥有显卡资源，但是这种一般需要付费得到API。这个领域分为私有LLMs(OpenAI, Google, Anthropic, Cohere, 等.) 和开源LLMs (OpenRouter, Hugging Face, Together AI, 等.).
• 开源LLMs:Hugging Face Hub开源了大量的LLMs。你可以直接在Hugging Face Spaces中运行其中一些，或者下载并在像LM Studio这样的应用程序中或通过CLI与llama.cpp或Ollama在本地运行它们。
• 提示工程（Prompt engineering）：常见技术包括零次提示、少数提示、思维链和ReAct。它们在更大的模型上效果更好，也可以适应更小的模型。
• 结构化输出（Structuring outputs）：大部分任务需要结构化输出，如严格的模板或JSON格式。可以使用LMQL、Outlines、Guidance等库来指导生成并遵循给定的结构。

参考资料:

• 由Nisha Arya撰写的使用LM Studio在本地运行LLM：如何使用LM Studio的简短指南。
• 由DAIR.AI撰写的提示工程指南：提示工程学习
• Outlines - 快速开始：由Outlines启动的指导生成技术。
• LMQL - 概述：LMQL语言的介绍。

3.2. 构建向量存储（Building a Vector Storage）

有时候我们想要在特定知识库下让LLMs搜索答案，而检索增强生成（RAG）结合了信息检索（IR）方法的能力，提高文本生成任务的质量和相关性。这种方法在处理需要广泛背景知识或特定信息的任务时特别有用，例如问答、文章撰写、摘要生成等。构建向量存储是构建检索增强生成（RAG）管道的第一步。它涉及文档加载，拆分，生成向量表示（嵌入），并存储等步骤：

• 文档加载：文档加载器可以处理多种格式：PDF、JSON、HTML、Markdown等。它们还可以直接从一些数据库和API（GitHub、Reddit、Google Drive等）检索数据。
• 文档拆分：文本拆分器将文档拆分成更小、有语义信息的块。与其在n个字符后拆分文本，不如更好地按标题或递归拆分，附加一些额外的元数据。
• 嵌入模型：嵌入模型将文本转换为向量表示。这对于执行语义搜索至关重要，可以深入并更细致地理解语言。
• 向量数据库：向量数据库（如Chroma、Pinecone、Milvus、FAISS、Annoy等）旨在存储嵌入向量。它们能够根据向量相似度高效检索与查询“最相似”的数据。

参考资料:

• LangChain - 文本拆分器：LangChain实现的不同文本拆分器列表。
• Sentence Transformers库：流行的嵌入模型库。
• MTEB排行榜：嵌入模型的排行榜。
• 由Moez Ali撰写的前5大向量数据库：最好和最流行的向量数据库的比较。

3.3. 检索增强生成 (Retrieval Augmented Generation, RAG)

RAG技术可以使LLMs从数据库检索上下文文档以提高其答案的准确性。RAG是一种流行的增强模型知识的方式，无需任何微调。

• 协调器（Orchestrators）：协调器（如LangChain、LlamaIndex、FastRAG等）是将LLMs与工具、数据库、记忆等连接并增强其能力的流行框架。
• 检索器（Retrievers）：用户指令并不是为检索优化的。可以应用不同技术（例如，多查询检索器、HyDE等）来重述/扩展它们并提高性能。
• 记忆（Memory）：为了记住以前的指令和答案，LLMs和聊天机器人（如ChatGPT）将这个历史添加到它们的上下文窗口中。这个缓冲区可以通过摘要（例如，使用一个较小的LLM）、向量存储+RAG等来改进。
• 评估：我们需要评估文档检索（上下文的精度和召回率）和生成阶段（保真度和答案相关性）。可以使用工具Ragas和DeepEval来简化这一过程。

参考资料:

• Llamaindex - 高级概念：构建RAG管道时需要了解的主要概念。
• Pinecone - 检索增强：检索增强过程的概述。
• LangChain - 使用RAG的Q&A：构建典型RAG管道的分步教程。
• LangChain - 记忆类型：不同类型记忆的列表及其相关用途。
• RAG管道 - 指标：用于评估RAG管道的主要指标概述。

3.4. 高级RAG

现实生活中的应用可能需要复杂的管道，包括SQL或图数据库，以及自动选择相关工具和API。这些高级技术可以改进基线解决方案并提供额外功能。

• 查询构造（Query construction）：存储在传统数据库中的结构化数据需要特定的查询语言，如SQL、Cypher、元数据等。我们可以直接将用户指令翻译成查询以访问数据。
• 代理和工具（Agents and tools）：代理通过自动选择最相关的工具来增强LLMs，以提供答案。这些工具可以简单到使用Google或Wikipedia，或更复杂，如Python解释器或Jira。
• 后处理（Post-processing:）：向LLM提供输入的最终步骤。它通过重新排列、RAG-fusion和分类等方式增强检索到的文档的相关性和多样性。

参考资料:

• LangChain - 查询构造：关于不同类型查询构造的博客文章。
• LangChain - SQL：如何使用LLMs与SQL数据库交互的教程，涉及Text-to-SQL和一个可选的SQL代理。
• Pinecone - LLM代理：介绍不同类型代理和工具。
• 由Lilian Weng撰写的LLM驱动的自主代理：更多关于LLM代理的理论文章。
• LangChain - OpenAI的RAG：OpenAI采用的RAG策略概述，包括后处理。

3.5. 推理优化 （ Inference optimization）

文本生成是一个成本高昂的过程，需要昂贵的硬件资源。除了量化，还提出了各种技术来最大化吞吐量并降低推理成本。

• Flash Attention：优化注意力机制，将其复杂度从二次方降低到线性，加速训练和推理。
• 键值缓存：了解键值缓存以及多查询注意力（MQA）和分组查询注意力（GQA）中引入的改进。
• 推测解码：使用小型模型生成草稿，然后由更大的模型审查，以加速文本生成。

参考资料:

• GPU推理由Hugging Face提供：解释如何在GPUs上优化推理。
• LLM推理由Databricks提供：如何在生产中优化LLM推理的最佳实践。
• 为速度和内存优化LLMs由Hugging Face提供：解释优化速度和内存的三种主要技术，即量化、Flash Attention和架构创新。
• 辅助生成由Hugging Face提供：HF版本的推测解码，是一篇详细介绍其如何工作的博客，包括实现它的代码。

3.6. 部署LLMs

部署LLMs是一项工程壮举，可能需要多个GPU集群。

• 本地部署：与私有LLMs相比，开源LLMs可以保护用户隐私，是它的一大优势。本地LLM服务器（LM Studio、Ollama、oobabooga、kobold.cpp等）利用这一优势为本地应用提供动力。
• demo部署：Gradio和Streamlit等框架有助于原型化应用程序并分享demo。你也可以轻松地在线托管它们，例如使用Hugging Face Spaces。
• 服务器部署：在规模上部署LLMs需要云（参见SkyPilot）或本地基础设施，并常常利用优化的文本生成框架，如TGI、vLLM等。
• 边缘部署：在受限环境中，高性能框架如MLC LLM和mnn-llm可以在网页浏览器、Android和iOS中部署LLM。

参考资料:

• Streamlit - 构建基础LLM应用：使用Streamlit制作基础ChatGPT-like应用的教程。
• HF LLM推理容器：使用Hugging Face的推理容器在Amazon SageMaker上部署LLMs。
• Philschmid博客由Philipp Schmid撰写：关于使用Amazon SageMaker部署LLM的高质量文章集。
• 优化延迟由Hamel Husain提供：关于TGI、vLLM、CTranslate2和mlc在吞吐量和延迟方面的比较。

7. 保护LLMs

除了与软件相关的传统安全问题外，由于LLMs的训练和提示方式，它们还有独特的弱点。

• 提示黑客攻击：与提示工程相关的不同技术，包括提示注入（额外指令以劫持模型的答案）、数据/提示泄露（检索其原始数据/提示）和越狱（制作提示以绕过安全功能）。
• 后门：攻击向量可以针对训练数据本身，通过在训练数据中下毒（例如，使用错误信息）或创建后门（秘密触发器以在推理期间改变模型的行为）。
• 防御措施：保护你的LLM应用程序的最佳方式是针对这些漏洞测试它们（例如，使用红队测试和像garak这样的检查）并在生产中观察它们（使用框架，如langfuse）。

参考资料:

• OWASP LLM前10名由HEGO Wiki提供：LLM应用程序中看到的10个最关键漏洞的列表。
• 提示注入入门由Joseph Thacker提供：专门针对工程师的提示注入的简短指南。
• LLM安全由@llm_sec提供：与LLM安全相关的广泛资源列表。
• LLMs的红队测试由Microsoft提供：如何使用LLMs进行红队测试的指南。