pre-training

https://huggingface.co/spaces/HuggingFaceFW/blogpost-fineweb-v1

100000 symbols(tokens) raw text —>tokenization —> token

tokenization

https://tiktokenizer.vercel.app/?model=cl100k_base

statistic token simulator

这就是所谓的 prediction 参数 各个 token 的权重 模型有大量的知识，存储在上亿的参数之中。这些参数可以视为对超大规模的知识进行的一种有损压缩。超大规模知识的模糊记忆。 按照统计规律给出所谓的答案 模型需要中间结果 概率、统计 in-context learning

post-training

对话集结构 —> 一维 token 序列

instruct-gpt

强化学习 reinforcement learning 监督学习 supervised earning supervised-fine-tuning

References

1. 视频讲解
2. https://tiktokenizer.vercel.app/
3. https://bbycroft.net/llm
4. https://hyperbolic.xyz/
5. 对话数据集
6. 互联网数据集