本文详细介绍了大模型的技术全流程框架包括预训练、监督微调和人类反馈强化学习等关键阶段。文章还深入分析了大模型训练和推理阶段的资源消耗、主流参数以及核心阶段的技术特点。此外还探讨了基础大模型市场的全景图谱和厂商竞争差异化的路线以及智算中心的基础构成和成本影响因素。通过本文的学习即使是小白也能对大模型有一个全面而深入的了解。大模型训练层——大模型训练全流程框架大模型训练的全流程框架是一个先通过预训练和监督微调构建模型的基础能力再通过人类反馈强化学习完成关键价值对齐的系统性工程。大模型训练层——大模型训练阶段的资源消耗大模型训练阶段消耗的资源主要集中在预训练阶段需要数千至上万块GPU并行运算、处理千亿级至万亿级Token数据、耗时数周至数月占总算力消耗的90-99%。大模型训练需要海量算力、存储和数据资源其中预训练阶段往往消耗了总算力的90-99%及绝大部分时间要下载并处理数TB级文本语料调度数千乃至上万块GPU持续数周至数月完成基础参数学习而微调阶段因仅需在已有模型上进行少量梯度更新与标注评估其算力消耗仅占1-10%,典型周期也缩短至几日或一周左右。以GPT-3为例其在6,000块A100 GPU上投入约34天完成预训练后续微调阶段又耗时8天总计42天LLaMA系列则更具代表性LLaMA-1在约2,028块GPU上用90天训练1-1.4万亿Token,LLaMA-2则在42天内完成2万亿Token的预训练LLaMA-3动用约16,384块H100 GPU在54天内训练15万亿Token。大模型推理层——大模型推理阶段流程框架大模型推理的流程为输入文本先经分词和嵌入层映射为向量通过多层Transformer的自注意力计算并结合KV缓存提升性能再在词汇概率输出层生成并通过后处理拼接成完整文本。大模型推理层——大模型推理阶段主流参数大模型推理后处理技术是通过温度采样、Top-k/Top-p裁剪与贪心选择对输出概率分布进行调控为了在生成多样性、语义连贯性与输出稳定性之间实现最佳平衡。大模型推理层——大模型推理核心阶段大模型推理分为并行Prefill与增量Decode两阶段分别依托模型并行与批量吞吐、以及KV缓存与注意力优化实现了高效低延迟的推理流水线。大模型推理阶段Prefill和Decode是两大核心阶段Prefill阶段负责一次性并行处理所有输入token,通过多层Transformer计算并构建KV缓存以“速读”形式完整理解上下文Decode阶段则采用自回归方式逐token生成输出每次仅做增量推理并依托前序缓存类似“逐字成文”地写出答案。根据两阶段的资源与计算特性需分别制定优化策略对Prefill阶段应强化GPU计算吞吐——通过批量合并多个请求提升并行度并运用模型并行将Transformer层切分至多块GPU;对Decode阶段则侧重内存与延迟优化——利用KV缓存避免重复计算并引入Flash Attention、多查询注意力等技术以降低内存带宽占用和加速串行推理。大模型推理层——大模型推理PD分离技术PD分离是将一次性上下文预填充与逐token串行解码解耦的策略实现了GPU算力的精准调度与高效利用显著降低了响应延迟并提升了整体推理吞吐率。传统推理流程将Prefill阶段与Decode阶段一体化处理导致Decode无法发挥GPU的并行计算能力其耗时占总推理时间超过99%,既造成响应延迟极高也让海量算力资源在生成过程中严重浪费。而PD分离策略将Prefill与Decode解耦后能够为两阶段分别应用最优调度Prefill可批量合并请求、最大化GPU并行吞吐显著缩短首次响应时间(TTFT);Decode则依托KV缓存、内存带宽优化及专用流水线大幅提升后续生成速率(TPOT)。这一分离不仅显著提升整体推理性能和资源利用率还为独立的分阶段优化与系统级智能调度奠定了坚实基础。基础大模型市场洞察——基础大模型全景图谱全球大模型产业呈现出“技术终局趋同商业路径分化”的核心格局 所有厂商均以原生多模态为统一演进目标但在实现路径上则分裂为闭源平台与开源生态两大阵营。无论是中国还是海外的头部厂商其技术演进路线均明确指向原生多模态即从处理单一信息类型向融合处理文本、视觉、听觉的统一智能体演进以GPT-4o和Gemini为代表的模型已成为业界共同追逐的技术标杆。市场正沿着两条不同的商业化道路分野一是以闭源模型和MaaS平台为核心的“平台生态化”路径旨在构建高价值、高粘性的商业闭环二是以Llama、Qwen、Deepseek为代表的“开源普惠化”路径旨在通过开放技术、构建广泛的开发者社区来赢得市场这两种路径的博弈与共存定义了当前的市场竞争格局。随着大模型进入指数级增长的产业应用期市场调用量正迅速向具备云基础设施与海量应用场景双重优势的头部厂商归拢基础大模型市场洞察——基础大模型厂商竞争差异化路线初显大模型厂商正告别技术参数与价格的同质化内卷全面转向一个依托各自核心禀赋、展开差异化战略竞争的新阶段大模型基础设施层——智算中心基础构成智算中心的底层基础设施体系高度复杂涵盖供配电、制冷、机柜、布线、防雷、防火等多系统协同核心在于保障算力设备的高可用性与稳定运行。大模型基础设施层——GPU芯片功耗增加新一代GPU芯片以精度可调、互联增强与极限功耗为特征在大幅释放Al算力的同时对智算基础设施提出结构性重构要求。NVIDIA新一代GPU芯片从Ampere(A100)到Hopper(H100、H200、GH200)再到Blackwell(B100、B200、GB200)架构的跨代演进路径突显出其在AI时代对大模型训练与推理需求的系统性回应。核心算力指标如FP16、INT8、FP8等在Blackwell架构下呈现倍数级增长尤其在FP4/FP6低精度计算能力上显著提升反映出面向AI大模型推理与训练的新架构已全面向极致性能和高能效比优化。此外显存带宽从A100的2TB/s提升至GB200的16TB/sNVLink也翻倍扩展至3.6TB/s,旨在支撑大模型分布式并行训练需求。而功耗亦同步激增至2700W,表明下一代GPU将显著推高智算中心在电力、散热和系统设计方面的基础设施门槛对系统集成商提出更高挑战也加速数据中心向液冷与高密度部署形态演进。大模型基础设施层——成本影响因素分析智算中心造价由客户需求、技术方案、冗余设计、规模、区位与设备选型等多因素共同决定呈现高度定制化与系统性成本差异。大模型基础设施层——新服务器功耗增加AI服务器正向“高精度异构算力极限带宽互联超线性能耗密度”演进重构数据中心的供电、散热与系统架构边界。随着HGX服务器从A100迭代至B100/B200,算力系统已不再仅追求单精度性能提升而是呈现出以精度可变、带宽扩展和功耗堆叠为核心特征的结构性跃迁趋势。具体表现为FP8/FP6/FP4等低精度算力指数级上升标志AI推理需求正主导算力体系设计重心NVLink互联和GPU-to-GPU通信能力翻倍增长有效缓解大模型并行训练中的通信瓶颈而单节点总功耗从6.5kW跃升至14.3kW,意味着智算服务器已成为数据中心能耗与散热规划的核心负载单元传统散热、电力系统将面临系统性重构压力。整体而言AI基础设施正从“资源堆叠”走向“能效协同”,HGX架构的升级已不再是GPU性能提升的简单累加而是数据中心级技术协同的高度集成体现。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026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。5、面试试题/经验【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】6、大模型项目实战配套源码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】
收藏！小白也能懂的大模型，从预训练到推理全解析
发布时间：2026/6/21 20:48:36
本文详细介绍了大模型的技术全流程框架包括预训练、监督微调和人类反馈强化学习等关键阶段。文章还深入分析了大模型训练和推理阶段的资源消耗、主流参数以及核心阶段的技术特点。此外还探讨了基础大模型市场的全景图谱和厂商竞争差异化的路线以及智算中心的基础构成和成本影响因素。通过本文的学习即使是小白也能对大模型有一个全面而深入的了解。大模型训练层——大模型训练全流程框架大模型训练的全流程框架是一个先通过预训练和监督微调构建模型的基础能力再通过人类反馈强化学习完成关键价值对齐的系统性工程。大模型训练层——大模型训练阶段的资源消耗大模型训练阶段消耗的资源主要集中在预训练阶段需要数千至上万块GPU并行运算、处理千亿级至万亿级Token数据、耗时数周至数月占总算力消耗的90-99%。大模型训练需要海量算力、存储和数据资源其中预训练阶段往往消耗了总算力的90-99%及绝大部分时间要下载并处理数TB级文本语料调度数千乃至上万块GPU持续数周至数月完成基础参数学习而微调阶段因仅需在已有模型上进行少量梯度更新与标注评估其算力消耗仅占1-10%,典型周期也缩短至几日或一周左右。以GPT-3为例其在6,000块A100 GPU上投入约34天完成预训练后续微调阶段又耗时8天总计42天LLaMA系列则更具代表性LLaMA-1在约2,028块GPU上用90天训练1-1.4万亿Token,LLaMA-2则在42天内完成2万亿Token的预训练LLaMA-3动用约16,384块H100 GPU在54天内训练15万亿Token。大模型推理层——大模型推理阶段流程框架大模型推理的流程为输入文本先经分词和嵌入层映射为向量通过多层Transformer的自注意力计算并结合KV缓存提升性能再在词汇概率输出层生成并通过后处理拼接成完整文本。大模型推理层——大模型推理阶段主流参数大模型推理后处理技术是通过温度采样、Top-k/Top-p裁剪与贪心选择对输出概率分布进行调控为了在生成多样性、语义连贯性与输出稳定性之间实现最佳平衡。大模型推理层——大模型推理核心阶段大模型推理分为并行Prefill与增量Decode两阶段分别依托模型并行与批量吞吐、以及KV缓存与注意力优化实现了高效低延迟的推理流水线。大模型推理阶段Prefill和Decode是两大核心阶段Prefill阶段负责一次性并行处理所有输入token,通过多层Transformer计算并构建KV缓存以“速读”形式完整理解上下文Decode阶段则采用自回归方式逐token生成输出每次仅做增量推理并依托前序缓存类似“逐字成文”地写出答案。根据两阶段的资源与计算特性需分别制定优化策略对Prefill阶段应强化GPU计算吞吐——通过批量合并多个请求提升并行度并运用模型并行将Transformer层切分至多块GPU;对Decode阶段则侧重内存与延迟优化——利用KV缓存避免重复计算并引入Flash Attention、多查询注意力等技术以降低内存带宽占用和加速串行推理。大模型推理层——大模型推理PD分离技术PD分离是将一次性上下文预填充与逐token串行解码解耦的策略实现了GPU算力的精准调度与高效利用显著降低了响应延迟并提升了整体推理吞吐率。传统推理流程将Prefill阶段与Decode阶段一体化处理导致Decode无法发挥GPU的并行计算能力其耗时占总推理时间超过99%,既造成响应延迟极高也让海量算力资源在生成过程中严重浪费。而PD分离策略将Prefill与Decode解耦后能够为两阶段分别应用最优调度Prefill可批量合并请求、最大化GPU并行吞吐显著缩短首次响应时间(TTFT);Decode则依托KV缓存、内存带宽优化及专用流水线大幅提升后续生成速率(TPOT)。这一分离不仅显著提升整体推理性能和资源利用率还为独立的分阶段优化与系统级智能调度奠定了坚实基础。基础大模型市场洞察——基础大模型全景图谱全球大模型产业呈现出“技术终局趋同商业路径分化”的核心格局 所有厂商均以原生多模态为统一演进目标但在实现路径上则分裂为闭源平台与开源生态两大阵营。无论是中国还是海外的头部厂商其技术演进路线均明确指向原生多模态即从处理单一信息类型向融合处理文本、视觉、听觉的统一智能体演进以GPT-4o和Gemini为代表的模型已成为业界共同追逐的技术标杆。市场正沿着两条不同的商业化道路分野一是以闭源模型和MaaS平台为核心的“平台生态化”路径旨在构建高价值、高粘性的商业闭环二是以Llama、Qwen、Deepseek为代表的“开源普惠化”路径旨在通过开放技术、构建广泛的开发者社区来赢得市场这两种路径的博弈与共存定义了当前的市场竞争格局。随着大模型进入指数级增长的产业应用期市场调用量正迅速向具备云基础设施与海量应用场景双重优势的头部厂商归拢基础大模型市场洞察——基础大模型厂商竞争差异化路线初显大模型厂商正告别技术参数与价格的同质化内卷全面转向一个依托各自核心禀赋、展开差异化战略竞争的新阶段大模型基础设施层——智算中心基础构成智算中心的底层基础设施体系高度复杂涵盖供配电、制冷、机柜、布线、防雷、防火等多系统协同核心在于保障算力设备的高可用性与稳定运行。大模型基础设施层——GPU芯片功耗增加新一代GPU芯片以精度可调、互联增强与极限功耗为特征在大幅释放Al算力的同时对智算基础设施提出结构性重构要求。NVIDIA新一代GPU芯片从Ampere(A100)到Hopper(H100、H200、GH200)再到Blackwell(B100、B200、GB200)架构的跨代演进路径突显出其在AI时代对大模型训练与推理需求的系统性回应。核心算力指标如FP16、INT8、FP8等在Blackwell架构下呈现倍数级增长尤其在FP4/FP6低精度计算能力上显著提升反映出面向AI大模型推理与训练的新架构已全面向极致性能和高能效比优化。此外显存带宽从A100的2TB/s提升至GB200的16TB/sNVLink也翻倍扩展至3.6TB/s,旨在支撑大模型分布式并行训练需求。而功耗亦同步激增至2700W,表明下一代GPU将显著推高智算中心在电力、散热和系统设计方面的基础设施门槛对系统集成商提出更高挑战也加速数据中心向液冷与高密度部署形态演进。大模型基础设施层——成本影响因素分析智算中心造价由客户需求、技术方案、冗余设计、规模、区位与设备选型等多因素共同决定呈现高度定制化与系统性成本差异。大模型基础设施层——新服务器功耗增加AI服务器正向“高精度异构算力极限带宽互联超线性能耗密度”演进重构数据中心的供电、散热与系统架构边界。随着HGX服务器从A100迭代至B100/B200,算力系统已不再仅追求单精度性能提升而是呈现出以精度可变、带宽扩展和功耗堆叠为核心特征的结构性跃迁趋势。具体表现为FP8/FP6/FP4等低精度算力指数级上升标志AI推理需求正主导算力体系设计重心NVLink互联和GPU-to-GPU通信能力翻倍增长有效缓解大模型并行训练中的通信瓶颈而单节点总功耗从6.5kW跃升至14.3kW,意味着智算服务器已成为数据中心能耗与散热规划的核心负载单元传统散热、电力系统将面临系统性重构压力。整体而言AI基础设施正从“资源堆叠”走向“能效协同”,HGX架构的升级已不再是GPU性能提升的简单累加而是数据中心级技术协同的高度集成体现。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。对于想入局大模型、抢占未来10年行业红利的程序员和小白来说现在正是最好的学习时机行业缺口大、大厂需求旺、薪资天花板高只要找准学习方向稳步提升技能就能轻松摆脱“低薪困境”抓住AI时代的职业机遇。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026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。5、面试试题/经验【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】6、大模型项目实战配套源码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】
