想象你在培养一个人才：

• 第一阶段：让他接受通识教育，学习语文、数学、历史、科学……成为一个知识面广博的"通才"
• 第二阶段：根据职业方向，进行专业训练，比如学医学、法律或工程，成为某个领域的"专家"

大模型的训练过程，与此惊人地相似。

GPT-4、Claude、文心一言等大模型，都不是一蹴而就的。它们的诞生经历了两个关键阶段：预训练（Pre-training）和微调（Fine-tuning）。前者打造"通才"，后者塑造"专家"。今天，我们就来拆解这个从通用到专用的技术蜕变过程。

预训练：用海量数据打造"通用智能"

什么是预训练？

预训练，就是用海量文本数据训练一个"什么都懂一点"的通用大模型。

这些数据可能来自：

• 互联网上的网页、论坛、博客
• 数字化的书籍、论文、新闻
• 代码库、维基百科、社交媒体……

数据量有多大？以GPT-3为例，训练数据量达到45TB，相当于数千亿个单词。模型在这些数据中学习：

• 语言的语法和词汇
• 常识知识（地球是圆的、水往低处流）
• 逻辑推理能力
• 基础的写作、翻译、代码能力

这个阶段训练出来的模型，我们称之为Pre-trained Model（预训练模型）。它就像一个博学的通才，对各种话题都有基础理解，但还不够"专业"。

预训练的局限性

预训练模型虽然强大，但存在明显短板：

1. 缺乏领域专业性

• 它能聊医学常识，但无法像专业医生一样诊断病情
• 它能写代码，但可能不符合你公司的编码规范

2. 不懂"你想要什么"

• 你问它一个问题，它可能给出冗长的、不着重点的回答
• 它不知道什么是"好答案"，只是在统计规律上预测下一个词

3. 可能输出有害内容

• 因为训练数据中包含互联网上的各种内容，模型可能输出偏见、错误或不当言论

这就是为什么我们需要微调——把"通才"训练成符合特定需求的"专家"。

微调第一步：SFT，教模型"什么是好答案"

微调分为两个关键阶段。第一阶段叫SFT（Supervised Fine-Tuning，监督微调）。

SFT的核心思想：树立榜样

SFT就像给孩子树立榜样——告诉他：“你应该这样做。”

在这个阶段，我们需要准备指令微调数据。每条数据包含两个部分：

字段	说明	示例
Input（输入）	用户的问题	“北京的天气怎么样？”
Output（输出）	标准答案	“北京目前气温15°C，多云，空气质量良好。”

数据从哪来？

这些"标准答案"通常通过以下方式获得：

1. 专家标注

• 雇佣大量专业人员，针对每个问题给出高质量答案
• 比如医疗领域模型，需要医生标注；法律模型，需要律师标注

2. 质量筛选

• 从现有数据中筛选出高质量的问答对
• 比如Stack Overflow上的高赞回答、知乎的优质答案

3. 数据规模

• 通常需要数千到数十万条高质量数据
• 数据越多、质量越高，模型表现越好

SFT训练后的效果

通过SFT训练，模型学会了：

• 按照人类期望的方式回答问题
• 理解指令的意图（比如"总结一下"vs"详细解释"）
• 输出结构化、专业化的内容

我们把训练后的模型称为SFT Model。但这还不够——我们只告诉了模型"该做什么"，还没告诉它"不该做什么"。

微调第二步：Alignment，教模型"什么是坏答案"

这就引出了微调的第二阶段：Alignment（对齐）。

Alignment的核心思想：纠正错误

如果说SFT是"树立榜样"，那么Alignment就是"纠正错误"——告诉模型：“这样做不对，应该避免。”

当SFT模型上线后，我们会收集用户的真实反馈：

• 点赞👍：说明回答质量好
• 点踩👎：说明回答有问题（啰嗦、答非所问、不当内容等）

这些反馈成为Alignment阶段的重要数据来源。

Alignment的数据格式

Alignment数据与SFT数据不同。对于同一个问题，我们提供一对正反答案：

字段	说明	示例
Input	用户问题	“如何快速减肥？”
Accepted	接受的答案	“健康减肥需要合理饮食+适量运动，建议咨询营养师。”
Rejected	拒绝的答案	“不吃饭就能快速瘦！”

通过大量这样的对比数据，模型学会了：

• 避免输出有害、错误、不负责任的内容
• 拒绝回答不该回答的问题
• 更精准地理解"什么是好答案"

训练后，我们得到Aligned Model（对齐模型）——这是最终可以部署的生产级模型。

Alignment数据的优势

相比SFT数据，Alignment数据更容易获取：

1. 自动收集

• 用户点赞/点踩自动记录
• AB测试中不同答案的表现对比
• 日志分析识别用户满意度

2. 持续优化

• 系统上线后，数据源源不断
• 可以不断进行对齐训练，持续提升模型质量

对齐算法：PPO vs DPO

在Alignment阶段，业界常用两种算法：

PPO（Proximal Policy Optimization）

• 基于强化学习：把模型当作智能体，通过奖励信号进行训练
• 优点：理论上更灵活，能处理复杂的优化目标
• 缺点：训练过程复杂，调参难度大，计算成本高

DPO（Direct Preference Optimization）

• 直接优化偏好：更简单直接地利用偏好数据
• 优点：训练稳定，计算效率高，易于实现
• 缺点：理论灵活性略低于PPO

当前趋势：DPO已成为主流选择，因其简单高效的特点，在工业界广泛应用。

完整流程回顾：从"通才"到"专家"

让我们串联整个流程：

阶段一：预训练

• 输入：45TB海量文本数据
• 过程：学习语言、知识、逻辑
• 输出：Pre-trained Model（通用大模型）
• 特点：知识面广，但不够专业

阶段二：SFT（监督微调）

• 输入：数万条专家标注的"输入-输出"对
• 过程：学习"什么是好答案"
• 输出：SFT Model
• 特点：能按人类期望回答，但可能犯错

阶段三：Alignment（对齐）

• 输入：用户反馈的"接受-拒绝"答案对
• 过程：学习"什么是坏答案"，进行纠正
• 输出：Aligned Model
• 特点：安全、可靠、符合人类价值观

最终结果

部署上线，服务用户，并持续收集反馈进行迭代优化。

预训练与微调：通识教育与专业训练的完美结合

回到开头的类比：

• 预训练就像通识教育，让模型成为"博学的通才"，具备广泛的基础能力
• SFT就像专业训练，让模型掌握"如何正确完成任务"
• Alignment就像职业伦理培训，让模型知道"什么不该做"

这三个阶段环环相扣，缺一不可：

• 没有预训练，模型缺乏基础能力
• 没有SFT，模型不知道如何满足人类需求
• 没有Alignment，模型可能输出有害内容

这也是为什么我们很少从零训练大模型，而是基于开源模型进行微调——预训练成本高昂（数百万美元），但微调相对廉价（数千到数万美元），且能快速适配特定场景。

大模型的训练艺术，本质上是通用能力与专业能力的平衡、效率与效果的权衡、技术实现与人类价值的对齐。

掌握这套逻辑，你就理解了当今AI时代最核心的技术范式。无论是使用ChatGPT，还是训练自己的行业模型，这套"预训练+微调"的框架，都是你绕不开的基础知识。

你准备好用微调武装你的大模型了吗？

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！