結構化LLM學習路徑：從零到AI研究員的八階段課程
一個自定進度的結構化課程，涵蓋Transformer、預訓練、微調、對齊、推理、提示工程、智慧體及前沿研究，預計5個月完成。
該GitHub倉庫提供了一條從零基礎到AI研究員的完整學習路徑，專注於掌握大型語言模型（LLM）及其驅動的智慧體。整個課程採用自定進度設計，分為八個階段，預計耗時約5個月；若有深度學習經驗，可縮短至3個月。每個階段包含詳細的README檔案，列明學習目標、閱讀材料和練習，學習者可逐階段推進，並利用筆記資料夾記錄心得，透過核取方塊跟蹤進度，還設有閱讀日誌管理已讀論文。
課程結構方面，第一階段為基礎鞏固（2-3周），要求學習者具備中級Python程式設計、線性代數（向量、矩陣、點積）、微積分（導數、鏈式法則）和機率論（分佈、貝葉斯定理）。第二階段深入Transformer架構（2-3周）。第三階段研究預訓練與縮放定律（2-3周）。第四階段涵蓋微調與對齊技術（2-3周），包括監督微調、RLHF等。第五階段聚焦推理最佳化與部署（1-2周）。第六階段學習提示工程與鏈式推理（1-2周）。第七階段構建智慧體系統（2-4周）。第八階段為持續的前沿研究探索。
課程整合了多個優質資源，如Karpathy的“NN: Zero to Hero”影片系列、HuggingFace的LLM課程、Lilian Weng的部落格、Papers With Code以及arXiv的cs.CL論文列表。整個學習路徑採用開源許可證，允許自由fork、修改和分享，適合希望系統學習LLM的研究者和工程師。