Sebastian Raschka / Ahead of AI (Substack) · Sebastian Raschka
New LLM Pre-training and Post-training Paradigms
New LLM Pre-training and Post-training Paradigms是Sebastian Raschka / Ahead of AI (Substack)的免费文章（en）。前置条件：需要了解 Transformer 结构、预训练/微调的基本概念，以及 SFT、DPO 等术语的粗略含义。
读懂现代开源/开放权重大模型在预训练与后训练阶段采用的具体技术路线，并能在不同模型间做对比。
Sebastian Raschka / Ahead of AI
- 难度
- 见前置条件
- 类型
- 博客 · 文章
- 语言
- en
- 规模
- 1 个课节
- 内容费用
- 免费
- 动手
- 打开即可学习
使用限制
浏览器直接阅读即可，无需账号；网页有 Subscribe / Sign in 入口，但节选中未见限制正文阅读。
- 练习与作业
- 开课提示词尚未实际运行验证
- 内容提示
- 原站推广：网页正文中作者说明这是业余时间完成的文章，并请读者购买其著作《Build a Large Language Model (from Scratch)》《Machine Learning Q and AI》《Machine Learning with PyTorch and Scikit-Learn》及在亚马…
第一次学这门课？先完成学前准备，把课程目录搭好。
每节课这样学
- 发提示词把下面的每课提示词发给 AI Agent，它会准备这一课的练习文件。
- 学官方课节打开对应课节学习，按提示从第一道练习做起；它不会替你写答案。
- 记进度学完让 AI Agent 在 progress.md 勾选，并把疑问整理到 questions.md。
每课提示词 · 每次学习前用
继续学习「New LLM Pre-training and Post-training Paradigms」。课程目录是 new-llm-pre-training-and-post-training-p/（不知道完整路径就先问我）。 1. 读 progress.md，找到下一课；如果我指定了第几课，就准备那一课。 2. 打开这一课的官方页面和本地讲义，列出本课练习要用的工具、文件和样例数据。缺少的先告诉我，等我同意再安装或下载。 3. 在 lessons/ 对应的课节文件夹里准备好练习：exercises/ 里给每道题建一个文件，写上题号和题目原文链接，不写答案；已有文件保留，样例数据放到 data/。拿不到官方题目或起始代码时记录限制，不编造替代品。 4. 按 README 运行开课时生成的自检脚本或在线检查清单，并检查本课新增工具能否正常使用。 5. 告诉我：本课先读哪几节、从哪道练习开始、大约需要多久。我学完后，帮我在 progress.md 勾选并把问题整理到 questions.md。 边界： - 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。 - 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
课节共 1 节 · 官方顺序
常见问题
免费吗？
免费：节选中可直接读到正文主体内容（Qwen 2 等模型的预训练与后训练分析），未见付费墙或登录拦截。实践无额外费用：文章为阅读型综述，未要求使用付费云服务或 API。
需要什么基础？
需要了解 Transformer 结构、预训练/微调的基本概念，以及 SFT、DPO 等术语的粗略含义。软件、账号与硬件：无需安装环境，浏览器可直接阅读；原站未说明必须自备账号或订阅。
有中文吗？
本站记录的语言是en；是否有中文字幕或译本本站未核实，请以原站为准。
怎么开始？
从原始资源入口开始：https://magazine.sebastianraschka.com/p/new-llm-pre-training-and-post-training。打开原文即可，无需安装软件。开课提示词尚未完整验证。练习与作业需要自备：开课提示词尚未实际运行验证。
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-26原站首次发布 2024-08-17
- 指南参考
- 课程主页
版权与转载
- 课程材料未标明许可：仅供个人学习，转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南，不转载、不镜像课程材料；引用时请注明原作者与出处。