这份资料是一套课件，不是视频课，也不是能跑通的代码仓库。厦门大学团队做的东西，特点是概念讲得比较正，术语用得规矩，不像网上很多拼凑出来的科普那样把注意力机制和 Transformer 混着说。它适合哪类人？下面按缺口来说。

先确认你是不是它的目标读者

如果你已经在用 API 调模型、写提示词、搭 RAG，那这份课件对你偏浅——它能帮你把零散的操作经验归位到概念框架里，但不会教你调参、蒸馏、量化部署这些活。真正能吃透它的是三类人：一是要从传统开发转到大模型方向、只听说过名词但没系统梳理过的；二是考 AI 相关证书或课程、需要一份结构完整的概念底稿的；三是做产品、运营、项目管理，得跟算法同事对话但不能被术语糊弄的。

反过来说，如果你连 Python 和基本的线性代数都陌生，这份东西能看懂，但你只能停在"知道有这么回事"的层面，动手环节会卡住。

它真正解决的能力缺口

大部分自学大模型的人卡在同一个地方：名词都认识，连不成一条线。预训练、微调、对齐、注意力、上下文窗口、涌现、幻觉——单独问都能说两句，问到"这些环节在训练流程里谁先谁后、各自解决什么问题"，就说不清了。这份课件的价值正在于把这条线捋直。

它覆盖的几块内容大致是：大模型的基本概念和它跟传统机器学习模型的分野；支撑它的核心网络结构和训练范式；从预训练到指令微调再到人类反馈对齐的技术链条；以及落到具体场景的应用方式和实践案例。对做工程的人来说，第二、第三块最值得花时间——不是因为难，而是因为绝大多数"踩坑"都源于对训练阶段和数据流的误解。

配套练习怎么做才有用

课件本身是讲解材料，没有内置实验。要让它变成能力，你得自己配三样东西：

一份能跑的环境。哪怕只是调用公开模型的接口，把"输入—输出"这条链路亲手走一遍，比看十页原理都实在。
一个具体的小任务。比如用提示词让模型做信息抽取，先测它在哪些情况下会漏、会编，再回头对照课件里讲的能力边界，你会发现很多"意外"其实写在原理里。
一份自己的术语表。每读完一节，用一两句话把这个概念"解决什么问题、依赖什么、局限在哪"写下来。写不出来就说明还没读懂，别往下翻。

另外，这类课件通常会有一些案例截图和架构图。看的时候别只看结论，注意它给的输入是什么、期望输出是什么、中间有没有人工干预环节——这些细节决定了你以后能不能在自己的业务里复现。

看完应该能回答的问题

用这几个问题自测，答不上来就回去补对应章节：

大模型和此前的深度学习模型，能力差异的根源在哪，不只是"参数多"这么简单；
预训练、微调、对齐三段各自的目标和代价是什么，为什么不能省掉任何一段；
上下文窗口扩大带来什么好处，又引入了哪些新问题；
模型出现幻觉，是训练数据的问题、目标函数的问题，还是推理阶段的问题；
给一个具体业务场景，你能说清该用提示词解决、该微调解决，还是该外接检索解决。

能答上这五个，这份课件对你就算用到位了。答不上的部分，正好是你下一阶段该补的缺口。