本节目录&后续章节：

1. 神经网络：常见神经网络的适用场景、优势与痛点
2. 算法：算法的分类&经典算法原理解析
3. 模型：各模型的架构基础、核心能力与落地价值
4. 算力：硬件的适配场景与部署架构

【后续章节】：对涉及到的核心技术做深入浅出的补充，按机器学习&深度学习→大模型基础→模型训练体系→模型落地与经典算法的逻辑展开，帮助大家理解算法工程师的模型训练逻辑、模型实现思路、更清晰地认识AI能力边界。

神经网络、算法、模型、架构、算力？

首先，我们先理清楚他们之间的关系

• 神经网络是 AI 领域专属的模型架构类型
• 算法是所有计算的通用核心方法，驱动网络、模型运行
• 架构定义神经网络的组织形式，是模型的整体结构设计方案，举个例子，你可以这么说：使用Transformer架构搭建 Transformer 模型，Transformer架构由编码器 + 解码器 + 自注意力三个模块组成
• 模型是架构 + 网络 + 算法的综合落地产物
• 算力是所有技术环节的硬件支撑

1 神经网络

神经网络，由相互连接的人工神经元（节点）组成，通过学习和训练，从数据中提取规律，完成分类、预测、识别等任务。

感知机（Perceptron）

AI早期的简单人工神经网络，仅含输入层和输出层，本质上是一种线性模型，可实现基础的二分类任务

缺陷：无法处理线性不可分的问题

人工神经网络

ANN, Artificial Neural Network

模拟人脑神经元的连接结构构建的算法模型，是深度学习、机器学习的核心基础。

神经网络：按照一定规则将多个神经元连接起来的网络，不同的神经网络，具有不同的连接规则。

一些规律：

• 层次结构为：输入层(Input Layer)、隐藏层(HiddenLayer)、输出层(OutputLayer)
• 中间的隐藏层可以设置多层
• 同一层的神经元之间没有连接
• 全连接的含义:第 N层的每个神经元和第 N-1层的所有神经元相连，第 N-1 层神经元的输出就是第 N层神经元的输入。
• 每个连接都有一个权值

深度卷积神经网络

CNN, Convolutional Neural Network

专为视觉数据设计的深层神经网络，通过卷积层提取图像、视频的局部特征，是CV的核心，后续经典的 CV 模型，如 AlexNet、VGG、ResNet 等，均在 CNN 的卷积层、池化层基础上做结构改进，进一步提升图像特征提取能力和模型训练效率。

CNN 有2大特点：

1. 能够有效的将大数据量的图片降维成小数据量
2. 能够有效的保留图片特征，符合图片处理的原则

循环神经网络

RNN, Recurrent Neural Network

RNN也叫递归神经网络，主要对序列数据进行建模，能保留历史数据的信息依赖，适配文本、语音等时序数据处理。

💡时间序列数据，是指在不同时间点上收集到的数据，这类数据反映了某一事物、现象等随时间的变化状态或程度。一般的，在自然语言处理领域，我们的文本信息都是时间序列数据。

CNN等传统神经网络的局限：在传统的卷积神经网络中，输入和输出都是相对确定的，卷积核被设定好大小以后，其对整个图像的每个像素都适用，并且上一个输出结果对下一个输出结果没有任何影响。

但是在文本中，当我们理解一句话的意思时，孤立理解每个单词的意思是不够的，我们需要处理的是这些词语连接起来的完整内容，为了解决一些这样类似的问题，能够更好的处理序列的信息，RNN 就由此诞生。

长短期记忆网络

LSTM, Long Short-Term Memory

RNN的改进版，解决了传统RNN的长序列依赖消失问题，能有效捕捉长文本、长音频的特征。

门控循环单元

GRU, Gated Recurrent Unit

LSTM的简化版，减少了模型参数，训练效率更高，同样能保留长记忆能力，解决长序列依赖问题。

🌟生成对抗网络

GAN, Generative Adversarial Network

生成式模型，由生成器和判别器组成，一个负责造假，一个负责打假，二者对抗训练实现高质量数据生成。

🌟Transformer

基于自注意力机制的深度学习架构，能并行处理序列数据，精准捕捉长序列的上下文关联，是当下所有大语言模型（LLM）的核心底层架构，也是多模态模型的重要基础，LLM 的自然语言理解与生成能力，均基于 Transformer 的自注意力机制实现，解决了传统序列建模网络 RNN/LSTM无法并行计算的痛点，为大模型的海量数据训练和长文本处理提供了技术支撑。

💡为什么要有 Transformer?

Transformer之前的技术存在的问题:

• RNN:能够捕获长距离依赖信息，但是无法并行计算；

• CNN:能够并行，无法捕获长距离依赖信息，需要通过层叠或者扩张卷积核来增大感受野。

  因此，需要一个可以并行运算，且可以捕获长距离依赖信息的架构，Transformer 架构就此诞生。

在实际应用中，神经网络架构并不是单独部署的，如多模态大模型 GPT-4o 融合Transformer +CLIP +CNN实现理解核心语义、提取图像特征、跨模态对齐。

灵活融合才是 AI 模型的主流研发思路。

2 算法

算法（Algorithm）是什么

是指为求解特定问题、完成特定任务而设计的有序操作集合，告诉神经网络、模型如何学习数据规律、如何优化参数、如何完成具体任务。

人工智能领域的算法分类：

（关注算法类别的含义，尝试理解热门算法原理，对算法名有个印象就可以）

（1）按所依赖的模型结构划分

【机器学习算法】：基于统计学习理论，无深度神经网络结构，依赖人工特征工程

• 🌟回归算法：通过拟合数据规律，输出具体数字，如房价、销量、温度、股价等

  线性回归、多项式回归、岭回归、Lasso 回归

• 🌟分类算法：将输入数据映射至预设的离散类别，输出标签结果，如二分类：垃圾邮件or正常邮件；多分类：猫狗鸟。

  逻辑回归、K 近邻算法(KNN), 支持向量机(SVM), 朴素贝叶斯, 决策树

• 集成算法：组合多个弱模型，打造强模型

  随机森林, XGBoost, LightGBM, AdaBoost

• 🌟聚类算法：自动把相似数据归为一类，如用户分群、商品聚类、异常检测

  K-Means、层次聚类(AGNES), DBSCAN

• 🌟降维算法：压缩数据特征维度，剔除冗余信息，加速训练，方便数据可视化

  主成分分析(PCA), 线性判别分析(LDA)

• 传统 CV 算法：计算机视觉早期方案，纯手工设计图像特征，用于图像检测、特征匹配

  Viola-Jones 人脸检测算法, SIFT, SURF, HOG

  【深度学习算法】：基于多层人工神经网络架构，自动提取数据特征

• 基础网络：入门架构，由全连接神经元堆叠而成，处理简单结构化数据

  感知机、全连接神经网络(ANN/ML)

• 计算机视觉网络：专门处理图像、视频，提取视觉特征

  卷积神经网络(CNN), AlexNet, VGG, ResNet, SAM, CLIP

• 🌟序列建模网络：专门处理有序序列数据，解决数据先后依赖的问题

  循环神经网络(RNN)、长短期记忆网络（LSTM）、门控循环单元(GRU)

• 🌟大模型核心网络：千亿参数大模型的底层，依靠自注意力机制实现高效并行

  Transformer、混合专家模型(MOE), 大语言模型(LLM)

• 🌟生成式网络：学习数据，生成全新数据，如文生图、图生图、语音生成、文本续写等

  生成对抗网络(GAN), 自编码器(AE), VAE、DALL・E

• 🌟跨模态核心算法：打通文本、图像、语音、视频不同类型的数据，实现多模态理解、对齐与交互

  CLIP（对比语言 - 图像预训练）

• 🌟大模型微调算法：在预训练大模型基础上，对齐人类意图，使模型更安全听话

  RLHF（从人类反馈的强化学习）

• 🌟训练优化算法：神经网络的参数调节器，更新模型权重、最小化误差，决定训练速度和精度。

  梯度下降(GD), 批量梯度下降(BGD), 随机梯度下降(SGD), 小批量梯度下降(MBGD), Adam, RMSprop, Adagrad

（2）按应用目标分类

1. 分类任务：

• 传统机器学习：逻辑回归、K近邻(KNN)、支持向量机(SVM), 朴素贝叶斯、决策树、随机森林
• 深度学习：全连接神经网络(ANN/MLP), 卷积神经网络(CNN), Transformer(含 LLM), CLIP(跨模态分类)

2. 回归任务：

• 传统机器学习：线性回归、多项式回归、岭回归、Lasso 回归、决策树回归、随机森林回归、XGBoost 回归
• 深度学习：全连接神经网络(ANN/MLP), 卷积神经网络(CNN，适用于图像相关回归), 长短期记忆网络(LSTM，适用于时序回归), Transformer(时序 / 复杂场景回归）

3. 聚类任务：

• 传统机器学习：K-Means、层次聚类(AGNES), DBSCAN, 密度峰值聚类
• 深度学习：深度自编码器(DAE，基于特征嵌入聚类), GAN 衍生聚类模型、图神经网络(GNN)聚类

4. 生成任务：学习原始数据分布特征，生成与真实数据高度相似数据

• 传统机器学习：无，传统模型无能力学习数据分布并生成全新样本
• 深度学习：生成对抗网络(GAN), 变分自编码器(VAE), Transformer(LLM 文本生成、图像 Transformer), 扩散模型(Stable Diffusion), DALL・E（文生图）、Whisper（语音生成）、SAM（分割掩码生成）

5. 表征学习：将原始数据转换为低冗余、高语义的特征向量，支撑下游任务

• 传统机器学习：主成分分析(PCA), 线性判别分析(LDA), SIFT(图像局部特征）、HOG（图像梯度特征), 词袋模型(BOW，文本特征)
• 深度学习：自编码器(AE), CNN 特征层（图像表征）、Transformer 嵌入层(文本/多模态表征）、LLM 语义嵌入(如 BERT 嵌入), CLIP(跨模态统一表征)

6. 大模型优化任务：针对预训练大模型，提升其适配性、安全性，与人类对齐

• 传统机器学习：无，传统模型无预训练 - 微调范式）
• 深度学习：RLHF（从人类反馈的强化学习）、Self-instruction（自指令微调）、LoRA（低秩适配微调）、Prompt Tuning（提示词微调）

常见算法、原理解析：

K-Means 传统机器学习 - 聚类

是机器学习中最经典的无监督聚类算法，核心是基于距离相似度将无标签的样本数据自动划分为 K 个簇，让同一簇内的样本相似度最高，不同簇间的样本相似度最低。

PCA 传统机器学习 - 降维

Principal Component Analysis，PCA 是机器学习中最经典的降维算法，属于无监督学习，核心是通过线性变换将高维数据映射到低维空间，在最大限度保留数据核心特征的前提下，减少数据的维度，降低计算复杂度。

梯度下降（GD）

最小化模型的预测误差，梯度下降是实现误差最小化的最基础方法

Adam 深度学习优化 - 训练优化

梯度下降的改进版，是深度学习中最主流的优化算法，通过自适应调整每个参数的学习率，让模型训练更稳定、效率更高。

GAN 深度学习优化 - 生成对抗网络

Generative Adversarial Network，核心采用对抗训练思路，由生成器（G）和判别器（D）两个网络相互博弈、共同训练，最终让生成器生成以假乱真、高质量的样本。

⭐️**自注意力机制，**深度学习优化 - 大模型核心网络

Self-Attention，Transformer 架构的核心计算机制，通过计算序列中各位置元素之间的关联权重，实现对上下文信息的动态聚焦，使模型能够精准捕捉序列内部不同元素间的依赖关系。

多头自注意力机制

Multi-Head Attention，自注意力机制的进阶形式，通过多个注意力头，同时捕捉不同维度、不同尺度的上下文关联，提升模型的特征提取能力；让AI从多个角度关注重点，能同时捕捉文字的多种关联信息，理解更全面。

多头自注意力机制是 Transformer 架构的核心升级，也是 LLM 能精准理解复杂语义、长文本上下文的关键，目前主流 LLM 均基于多头自注意力机制做进一步优化，提升模型的语义理解能力。

⭐️CLIP 深度学习优化 - 跨模态预训练

对比语言 - 图像预训练，核心是通过对比学习，让模型建立【文本描述】与【图像特征】之间的强关联，实现文本和图像的跨模态语义对齐，模型无需额外微调即可实现文本找图、图像找文的跨模态匹配，也可快速适配图像分类、文生图、图生文等下游任务。

⭐️RLHF：

Reinforcement Learning from Human Feedback，基于人类反馈的强化学习，通过将人类的反馈纳入训练过程，让模型向符合人类偏好的方向优化。

单一算法无法支撑复杂的 AI 任务，实际应用中通常采用【基础算法】 + 【优化算法】 + 【任务专属算法】的组合形式，多算法协同实现模型能力的迭代升级。

例如，在大语言模型的训练流程中，以Transformer架构为基础，搭配Adam优化算法提升训练效率，再通过RLHF算法做人类偏好微调。

3 模型

AI 核心模型时间表

🌟大语言模型

LLM, Large Language Model

大参数量的预训练语言模型，基于海量文本训练，主打自然语言的理解与生成。

所有 LLM 均以 Transformer 为底层架构，结合多头自注意力机制实现长文本上下文理解，同时搭配 RLHF 等算法做微调优化，是神经网络、算法两大核心技术的综合落地载体。

大语言模型的研发需要同时具备三大要素：数据资源、算法模型、资金

✍️数据资源：需要高质量、大规模、丰富性的数据集

1. 高质量:提高模型精度与可解释性，减少训练时长
2. 大规模:数据量大、训练参数大，得到的预训练模型效果越好
3. 丰富性:提高模型的泛化能力，单一数据容易出现过拟合

🌟混合专家模型

MOE, Mixture of Experts

一种分布式的大模型架构，将模型拆分为多个专家子模型，不同子模型负责处理不同领域的任务，通过门控网络分配任务。

大模型的专家团队模式，一个模型里有多个专业专家，处理不同问题时找对应专家，效率更高、能力更强

Segment Anything（SAM）

Meta发布的图像分割模型，实现任意图像中目标物体的像素级分割，基于 CNN+Transformer 混合架构研发，融合了 CV 领域的经典图像特征提取技术和大模型的上下文理解能力，是计算机视觉与大模型技术结合的典型代表。

Segment Anything 2（SAM2）

SAM 基础上优化特征提取和推理效率，提升图像分割性能和处理效率，适配更复杂的分割场景，进一步强化了CNN与Transformer的融合效果。

🌟CLIP：对比语言-图像预训练

Contrastive Language-Image Pre-training

基于 Transformer 架构研发，实现文本与图像跨模态关联的预训练模型，是文生图、图生文的核心基础，让AI看懂文字也看懂图，是大模型从纯文本向多模态发展的核心基础模型，为 DALL・E、GPT-4o 等多模态模型提供了跨模态特征关联的技术支撑。

DALL·E系列

OpenAI开发的文生图模型，基于Transformer架构，能根据文本描述生成高质量、高创意的图像（文→图），能根据文字描述画出各种风格、各种内容的图片

🌟GPT-3

2020 年，OpenAl开发，纯 Transformer 架构的经典 LLM，经过了将近 0.5 万亿个单词的预训练，是1750 亿个参数的自然语言深度学习模型，比以前的版本 GPT-2 高 100 倍，可以在多个 NLP 任务基准上达到最先进的性能，是开启大模型时代的标志性模型。首次验证大参数量、海量预训练数据对 LLM 能力提升的有效性，为后续的ChatGPT、GPT-4o 奠定了核心架构基础。

ChatGPT

在GPT-3 的 Transformer 架构基础上，加入 RLHF 算法做微调，让模型具备自然的多轮对话能力，实现了 LLM 从文字生成到智能交互的升级。

🌟GPT-4o

OpenAI推出的全能多模态大模型，在 GPT 系列 Transformer 架构基础上，融合了 CLIP 的跨模态关联技术、Whisper 的语音识别技术，可实时处理文本、音频、图像、视频等多模态信息，是目前多模态大模型的标杆。

AlphaFold

DeepMind开发，基于 CNN+Transformer 混合架构，将 AI 的序列建模和特征提取能力应用于生物领域，是 AI 模型跨领域应用的典型代表，可精准预测蛋白质的三维结构，解决生物学经典难题。

Whisper

OpenAI开源的语音识别模型，基于 Transformer 架构研发，打破了传统语音识别模型对 RNN/LSTM 的依赖，实现了语音序列数据的高效并行处理，提升了多语种识别精度。

WhisperX

OpenAI, 是Whisper的升级版本，在Whisper的 Transformer 架构基础上优化了音频特征提取和时序对齐能力，实现长音频的时间精确转录，语音识别精度大幅提升。

PaLM-E

基于 Transformer 架构，融合了 CLIP 的视觉 - 语言关联技术和 LLM 的语义理解能力，是大模型向具身智能发展的核心模型。

AlphaCode

DeepMind开发，基于 Transformer 架构，针对代码序列做专属预训练和算法优化，可完成复杂的编程挑战，性能优于多数人类程序员，能自己写代码，解决复杂的编程问题

ImageNet

大型图像数据集+图像分类比赛，是 CNN 模型迭代的重要推手，2012 年 AlexNet 在 ImageNet 比赛中夺冠，让 CNN 成为 CV 领域的核心技术，后续 VGG、ResNet 等经典 CNN 模型均在 ImageNet 比赛中得到验证和推广。

AlexNet

AlexNet 是初代深度 CNN 模型，在传统 CNN 基础上增加了网络层数、引入了 ReLU 激活函数和 Dropout 正则化，解决了早期 CNN 训练效率低、过拟合的问题，为后续 VGG、ResNet 等 CNN 模型的发展奠定了基础，2012年ImageNet图像分类比赛夺冠，开启了深度学习的快速发展时代。

4 算力

AI 芯片

AI芯片是专门为加速 AI 应用中的大量针对矩阵 计算任务而设计的处理器或计算模块，是所有神经网络、模型、算法落地的硬件基础，不同类型的 AI 芯片适配不同规模的模型训练与推理，如 GPU 适配大模型训练、NPU 适配端侧小模型推理。

与传统的通用芯片如中央处理器(CPU)不同，AI芯片采用针对特定领域优化的体系结构(Domain-Specific Architecture，DSA)，侧重于提升执行 Al 算法所需的专用计算性能。

CPU 中央处理器

Central Processing Unit

计算机的核心运算单元，主打串行计算，负责统筹计算机的所有操作，可辅助完成小型AI模型的训练和推理，是计算机的通用大脑，啥活都能干，但处理AI大规模计算时效率不如GPU/TPU

GPU 图形处理器

Graphics Processing Unit

是一种专门用于图像处理和并行计算的微处理器，在游戏渲染、人工智能和科学模拟等领域发挥着核心作用。

GPU技术自20世纪90年代持续演进，1999年NVIDIA推出GeForce 256被视为第一款真正意义上的GPU，它引入了硬件加速三维图形渲染。此后GPU功能从专用图形扩展到通用计算，成为高性能计算的关键组件。GPU 是大模型（LLM）训练的核心算力硬件，其并行计算能力完美适配 Transformer 架构的海量矩阵运算，也是 CNN 模型大规模训练的主流硬件，目前超大规模 LLM 训练均基于多 GPU 组成的高性能计算集群。

TPU 张量处理器

Tensor Processing Unit

由博通公司设计，专为其深度学习框架TensorFlow设计的神经网络计算优化，适配 Google 旗下的 LLM、CNN 模型训练，是比 GPU 更具针对性的 AI 专用算力硬件，算力效率优于GPU。

💡TensorFlow是一套封装好的深度学习开发工具，提供数据处理、模型搭建、训练、部署的全流程能力，帮开发者不用从零写底层代码，就能快速搭建、训练和运行各种深度学习模型，如 CNN、RNN、Transformer。

NPU 神经网络处理器

Neural Processing Unit

NPU 主打低功耗并行计算，适配端侧的轻量 CNN 模型、小型 LLM 推理，是云边端协同架构中端侧算力的核心载体，比如手机、智能手表里的AI芯片。

高性能计算集群

是大参数量 LLM、超大型 CNN 模型训练的必备算力架构，通过分布式训练技术将训练任务拆分到多台设备，解决了单设备算力不足的问题。

分布式训练

Distributed Training

将大模型的训练任务拆分到多台算力设备上，通过设备间的协同计算完成训练，提升训练效率，任务拆分，效率翻倍。

端侧与云端

云侧 Cloud Side：

指位于网络远端的中心化数据中心或服务器集群，拥有强大的集中式计算能力、海量存储资源和高度通用的服务能力。

以 GPU/TPU 集群为核心算力，主要负责大模型（LLM）的预训练、微调，以及大型 CNN 模型的训练和大规模推理。

端侧 Edge Side：

通常指用户直接使用的终端设备，如手机、电脑、汽车。优势：低延迟与实时响应；敏感数据在设备本地处理，无需上传至云端，从根本上降低了泄露风险；摆脱了对网络稳定性和带宽的依赖，在弱网或无网环境中仍可工作。

端侧以 NPU 为核心算力，主要负责轻量 LLM 推理、小型 CNN 模型（如人脸检测、图像识别）的实时推理，是 AI 模型落地到终端设备的关键。

💡云端处理复杂训练与大规模计算，端侧负责实时响应与隐私任务。

云边端协同成为共识：纯粹“能跑在端侧就跑在端侧”的论调减弱，行业更倾向于根据任务需求，考虑成本、实时性、隐私，灵活选择部署方案，构建协同体系。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

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！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

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。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
【附赠一节免费的直播讲座，技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等，欢迎大家~】