1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
|
================================================================================
从 0 到可部署 LLM：完整生命周期
================================================================================
┌─────────────────────────────────────────────────────────────────────────────┐
│ 0. 目标定义 / Scaling Planning │
├─────────────────────────────────────────────────────────────────────────────┤
│ 决定： │
│ │
│ • 模型用途：通用 / Code / Math / Security / Agent / Multilingual │
│ • Dense 还是 MoE │
│ • 目标参数规模：1B / 7B / 32B / 70B / 200B+ │
│ • 训练 Token Budget │
│ • Context Length │
│ • GPU / 训练 FLOPs / 时间 / 成本预算 │
│ • 数据规模和数据配比 │
│ │
│ 常通过小模型实验 + Scaling Law 决定最终 recipe │
└──────────────────────────────────┬──────────────────────────────────────────┘
│
▼
================================================================================
第一阶段：DATA
================================================================================
┌─────────────────────────────────────────────────────────────────────────────┐
│ 1. 原始数据采集 Raw Data Collection │
├─────────────────────────────────────────────────────────────────────────────┤
│ │
│ Web Crawl │
│ Books │
│ Wikipedia │
│ Papers │
│ GitHub / Source Code │
│ StackOverflow / Forums │
│ Math / STEM │
│ 多语言语料 │
│ 对话数据 │
│ 合成数据 Synthetic Data │
│ 专业领域数据 │
│ │
│ ↓ Raw Corpus │
└──────────────────────────────────┬──────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────────────────┐
│ 2. 数据清洗 / Curating │
├─────────────────────────────────────────────────────────────────────────────┤
│ │
│ ① 格式清洗 │
│ HTML / JS / Boilerplate 删除 │
│ Unicode Normalize │
│ Language Detection │
│ │
│ ② 去重 Deduplication │
│ Exact Dedup │
│ Near Dedup │
│ Semantic Dedup │
│ │
│ ③ 质量过滤 Quality Filtering │
│ Heuristic Filter │
│ Classifier / LLM Quality Score │
│ │
│ ④ 内容过滤 │
│ Spam │
│ NSFW │
│ Malware / Low-quality │
│ │
│ ⑤ 隐私与合规 │
│ PII │
│ License │
│ Copyright │
│ │
│ ⑥ Benchmark Decontamination │
│ 防止测试集泄漏到训练集 │
│ │
│ ⑦ Data Mixture │
│ Web : Code : Math : Academic : Multilingual : ... │
│ │
└──────────────────────────────────┬──────────────────────────────────────────┘
│
▼
Curated Corpus
================================================================================
第二阶段：TOKEN REPRESENTATION
================================================================================
┌─────────────────────────────────────────────────────────────────────────────┐
│ 3. Tokenizer │
├─────────────────────────────────────────────────────────────────────────────┤
│ │
│ Curated Text │
│ │ │
│ ▼ │
│ 训练 / 选择 Tokenizer │
│ │
│ BPE / SentencePiece / Unigram 等 │
│ │
│ 决定： │
│ • Vocabulary Size │
│ • Special Tokens │
│ • BOS / EOS / PAD │
│ • Chat Control Tokens │
│ │
│ 文本 │
│ "我喜欢打篮球" │
│ ↓ │
│ Tokens │
│ ["我","喜欢","打","篮球"] │
│ ↓ │
│ Token IDs │
│ [1234, 8123, 726, 19283] │
│ │
└──────────────────────────────────┬──────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────────────────┐
│ 4. Pretraining Dataset Construction │
├─────────────────────────────────────────────────────────────────────────────┤
│ │
│ Token IDs │
│ ↓ │
│ Sequence Packing │
│ ↓ │
│ 固定训练长度，例如 4K / 8K tokens │
│ ↓ │
│ Shuffle │
│ ↓ │
│ Batch / Micro-batch │
│ ↓ │
│ Train / Validation Split │
│ │
└──────────────────────────────────┬──────────────────────────────────────────┘
│
▼
================================================================================
第三阶段：MODEL DESIGN
================================================================================
┌─────────────────────────────────────────────────────────────────────────────┐
│ 5. 定义模型架构 Model Architecture │
├─────────────────────────────────────────────────────────────────────────────┤
│ │
│ Decoder-only Transformer │
│ │
│ ├── Vocabulary Size │
│ ├── Number of Layers 32 / 80 / ... │
│ ├── Hidden Size d_model │
│ ├── Attention Heads │
│ ├── KV Heads MHA / GQA / MQA │
│ ├── Head Dimension │
│ ├── FFN Intermediate Size │
│ ├── Activation SwiGLU / GELU │
│ ├── Normalization RMSNorm │
│ ├── Positional Encoding RoPE │
│ ├── Context Length │
│ ├── Dense / MoE │
│ │ ├── Number of Experts │
│ │ ├── Top-K Experts │
│ │ └── Router │
│ └── Weight Tying / LM Head │
│ │
└──────────────────────────────────┬──────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────────────────┐
│ 6. 创建并初始化全部 Trainable Parameters │
├─────────────────────────────────────────────────────────────────────────────┤
│ │
│ Embedding Matrix │
│ │
│ Layer 0 │
│ ├── Wq⁰ │
│ ├── Wk⁰ │
│ ├── Wv⁰ │
│ ├── Wo⁰ │
│ ├── FFN W1⁰ W2⁰ W3⁰ │
│ └── Norm Parameters │
│ │
│ Layer 1 │
│ ├── Wq¹ Wk¹ Wv¹ Wo¹ │
│ └── FFN │
│ │
│ ... │
│ │
│ Layer N │
│ │
│ LM Head │
│ │
│ Dense：普通 FFN │
│ MoE：Router Weight + N 套 Expert FFN Weights │
│ │
│ 此时这些 Weight 基本还是随机初始化 → 模型什么都不会 │
│ │
└──────────────────────────────────┬──────────────────────────────────────────┘
│
▼
================================================================================
第四阶段：PRETRAINING
================================================================================
一批 Token IDs
│
▼
Embedding Lookup
│
▼
X⁰
│
▼
┌─────────────────────────┐
│ Transformer Layer 0 │
│ │
│ X × Wq⁰ → Q │
│ X × Wk⁰ → K │
│ X × Wv⁰ → V │
│ │
│ Q,K,V │
│ ↓ │
│ Causal Attention │
│ ↓ │
│ × Wo │
│ ↓ │
│ Residual + Norm │
│ ↓ │
│ FFN │
│ W1 W2 W3 │
│ ↓ │
│ Residual │
└────────────┬────────────┘
│
▼
X¹
│
▼
Layer 1
│
...
│
▼
Layer N
│
▼
Final Hidden States
│
▼
LM Head
│
▼
Logits
================================================================================
第五阶段：Loss → Backward → Optimizer
================================================================================
FORWARD
│
▼
Logits
│
▼
Softmax / Cross Entropy
│
▼
Loss
│
│
====================== BACKWARD ==============================================
│
▼
∂L / ∂LMHead
↑
∂L / ∂Layer N
↑
...
↑
∂L / ∂Layer 1
↑
∂L / ∂Layer 0
↑
∂L / ∂Embedding
│
▼
每个 trainable parameter
得到 Gradient
│
▼
Optimizer
Adam / AdamW ...
│
▼
更新所有 Trainable Weights
简化理解：
W ← W - η ∂L/∂W
│
▼
Learning-rate Schedule
│
▼
下一 Micro/Batch
│
▼
再次 Forward...
================================================================================
第六阶段： DISTRIBUTED TRAINING SYSTEM
================================================================================
大模型
│
┌─────────────────┼──────────────────┐
▼ ▼ ▼
Data Parallel Tensor Parallel Pipeline Parallel
DP / FSDP TP PP
│ │ │
└──────────────────┼───────────────────┘
│
Sequence Parallel
Expert Parallel
(for MoE)
│
▼
Thousands GPUs
GPU
│
├── Parameters
├── Gradients
├── Optimizer States
├── Activations
└── Communication Buffers
Training Step
│
├──────────────► Training Loss
│
├──────────────► Validation Loss
│
├──────────────► Learning Rate
│
├──────────────► Gradient Norm
│
├──────────────► Throughput
│
└──────────────► GPU Utilization
│
▼
每 N steps
│
├── Save Checkpoint
└── Evaluation
================================================================================
第七阶段：BASE MODEL
================================================================================
海量 Raw Text
│
↓
Pretraining
│
↓
┌────────────────────────┐
│ Base LLM │
│ │
│ 会语言 │
│ 有世界知识 │
│ 会一定程度代码 │
│ 会一定程度推理 │
│ │
│ 但未必善于聊天 │
│ 未必听指令 │
│ 未必安全 │
└────────────────────────┘
================================================================================
第八阶段:MID-TRAINING / CONTINUED PRETRAINING
================================================================================
Base Model
│
├── Domain Continued Pretraining
│ Code / Security / Medical / Math
│
├── Knowledge-intensive Training
│
├── Long-context Training
│
├── Context Extension
│
├── Multilingual Enhancement
│
└── Reasoning-oriented Data
│
▼
Stronger Base Model
================================================================================
第九阶段：POST-TRAINING DATA
================================================================================
Prompt / Instruction
│
┌──────────────────┼─────────────────────┐
▼ ▼ ▼
Human Written Synthetic Data Model-generated
│ │ │
▼ ▼ ▼
Instructions Reasoning Traces Responses
│ │ │
└──────────────────┼─────────────────────┘
▼
Filtering
│
▼
Quality Checking
│
▼
Instruction Dataset
同时可能构造：
Prompt
│
├── Response A
└── Response B
│
▼
Human / Judge Preference
│
▼
Preferred / Rejected Dataset
================================================================================
第十阶段：POST-TRAINING
================================================================================
Base Model
│
▼
┌────────────────────┐
│ SFT │
│ Supervised │
│ Fine-Tuning │
└─────────┬──────────┘
│
▼
Instruct Model
│
┌─────────────┴─────────────┐
│ │
▼ ▼
Preference Alignment Reasoning Training
DPO / IPO / ORPO ... SFT Reasoning Trace
│ │
▼ ▼
Preference Model RL / RLVR
│ GRPO/PPO/...
│ │
└─────────────┬─────────────┘
│
▼
Aligned Model
│
▼
General / Safety RL
================================================================================
第十一阶段：Safety Alignment
================================================================================
Training-side
│
├── Safety SFT
├── Preference Alignment
├── Safety RL
├── Adversarial Data
└── Refusal / Helpfulness balancing
Model-side
│
├── Safety Model / Guard Model
├── Input Moderation
└── Output Moderation
Evaluation-side
│
├── Jailbreak
├── Prompt Injection
├── Harmful Content
├── Privacy
├── Memorization
├── Bias
└── Red Teaming
================================================================================
第十二阶段：EVALUATION
================================================================================
Capability
├── Knowledge
├── Math
├── Coding
├── Reasoning
├── Science
├── Multilingual
├── Long Context
└── Instruction Following
Alignment
├── Helpfulness
├── Safety
├── Truthfulness
└── Refusal Quality
Agent
├── Tool Use
├── Function Calling
├── Web
├── Coding Agent
└── Long-horizon Tasks
Systems
├── Throughput
├── TTFT
├── TPOT
├── Latency
├── VRAM
└── Cost
Robustness / Security
├── Jailbreak
├── Prompt Injection
├── Data Leakage
├── Backdoor
├── Model Extraction
└── Runtime Attacks
================================================================================
第十三阶段：MODEL ARTIFACT
================================================================================
训练后的参数
│
▼
Checkpoint Conversion
│
▼
model.safetensors
config.json
tokenizer.json
tokenizer_config.json
generation_config.json
chat_template
...
│
▼
Model Repository
================================================================================
第十四阶段：INFERENCE OPTIMIZATION
================================================================================
Final Model
│
├── Precision
│ FP32
│ BF16
│ FP16
│ FP8
│
├── Quantization
│ INT8
│ INT4
│ GPTQ
│ AWQ
│ GGUF
│
├── Model Compression
│ Distillation
│ Pruning
│
├── Kernel Optimization
│ FlashAttention
│ Fused Kernels
│
└── Distributed Inference
Tensor Parallel
Pipeline Parallel
Expert Parallel
================================================================================
第十五阶段：LLM SERVING
================================================================================
Client Request
│
▼
API / Scheduler
│
▼
Tokenizer
│
▼
Token IDs
│
▼
┌─────────────────┐
│ GPU Runtime │
│ │
│ Model Weights │
│ KV Cache │
│ Activations │
│ CUDA Kernels │
└────────┬────────┘
│
▼
Logits
│
▼
Sampling / Decoding
│
▼
Next Token
│
└─────┐
│
Autoregressive
Loop
Serving Engine：
vLLM
SGLang
TensorRT-LLM
llama.cpp
Transformers
...
Serving Optimization：
Requests
│
▼
Scheduler
│
├── Continuous Batching
│
├── Prefix Caching
│
├── KV Cache Management
│
├── Paged Attention
│
├── Speculative Decoding
│
└── Pre-fill / Decode Optimization
│
▼
GPU(s)
================================================================================
第十六阶段：PRODUCTION / LLMOps
================================================================================
Model
│
▼
Deploy
│
▼
Monitor
│
├── Latency
├── Cost
├── GPU Utilization
├── Failure Rate
├── Quality
├── Safety incidents
├── Abuse
└── Distribution Drift
│
▼
Collect Feedback
│
▼
New Data
│
▼
SFT / RL / Continued Training
│
└────────────────────────────► New Model Version
|