*1章 OpenAI一鳴驚人帶來的啟示 1

1.1 OpenAI的成長并非一帆風順 2

1.2 OpenAI成功的因素 5

1.3 OpenAI特殊的股權設計帶來的啟示 7

1.4 思考 11

*2章 自然語言處理的發展歷程 13

2.1 自然語言處理的里程牌 14

2.1.1 背景介紹 14

2.1.2 自然語言處理發展的7個階段 15

2.2 從BERT模型到ChatGPT 30

2.3 BERT模型到底解決了哪些問題 31

2.4 BERT模型誕生之后行業持續摸索 38

2.5 ChatGPT的誕生 41

2.5.1 InstructGPT模型的構建流程 42

2.5.2 ChatGPT和InstructGPT的差異 44

2.5.3 ChatGPT和BERT大模型在公開數據集上的測試 45

2.5.4 高質量的數據標注 46

2.6 思考 48

第3章 讀懂ChatGPT的核心技術 50

3.1 基于Transformer的預訓練語言模型 50

3.2 提示學習與指令微調 55

3.3 基于人工反饋的強化學習 59

3.4 思維鏈方法 61

3.5 集成學習 64

3.6 思考 67

第4章 看清GPT的進化史和創新點 68

4.1 GPT技術的發展歷程 68

4.1.1 GPT-1技術的發展歷程 68

4.1.2 GPT-2技術的發展歷程 72

4.1.3 GPT-3技術的發展歷程 73

4.2 GPT的創新點總結 75

4.3 思考 77

第5章 大模型+多模態產生的“化學反應” 78

5.1 多模態模型的發展歷史 78

5.2 單模態學習、多模態學習和跨模態學習的區別 82

5.3 多模態大模型發展的重大里程碑 85

5.4 大模型+多模態的3種實現方法 94

5.5 多模態大模型的效果評估 99

5.6 思考 103

第6章 多模態大模型的核心技術 104

6.1 文本多模態技術 105

6.1.1 基于模板的圖像描述方法 106

6.1.2 基于檢索的圖像描述方法 106

6.1.3 基于深度學習的圖像描述方法 106

6.2 圖像多模態技術 107

6.2.1 基于GAN的文本生成圖像方法 108

6.2.2 基于VAE的文本生成圖像方法 110

6.2.3 基于擴散模型的文本生成圖像方法 111

6.3 語音多模態技術 112

6.3.1 基于非深度學習的文本生成語音技術 112

6.3.2 基于深度學習的文本生成語音技術 114

6.4 視頻多模態技術 117

6.4.1 基于非擴散模型的文本生成視頻技術 118

6.4.2 基于擴散模型的文本生成視頻技術 119

6.5 跨模態多重組合技術 120

6.6 多模態大模型高效的訓練方法 121

6.7 GPT-4多模態大模型核心技術介紹 123

6.8 多模態技術的發展趨勢 124

第7章 國內外多模態大模型對比 125

7.1 國內多模態大模型介紹 126

7.1.1 LLaMA-Adapter V2 126

7.1.2 VisualGLM-6B 129

7.1.3 mPLUG-Owl 130

7.2 國外多模態大模型介紹 132

7.2.1 Visual ChatGPT 132

7.2.2 InstructBLIP 133

7.2.3 MiniGPT-4 135

7.3 多模態大模型評測數據集 136

7.3.1 國內評測數據集 137

7.3.2 國外評測數據集 137

7.4 多模態大模型的評測標準 138

7.4.1 國內評測標準 138

7.4.2 國外評測標準 139

7.5 多模態大模型對比 140

7.5.1 感知能力評測 140

7.5.2 認知能力評測 144

7.6 思考 145



第8章 中小公司的大模型構建之路 147

8.1 微調技術介紹 148

8.1.1 LoRA技術 149

8.1.2 AdaLoRA技術 150

8.1.3 QLoRA技術 150

8.1.4 微調加DeepSpeed的ZeRO-3 151

8.2 模型壓縮技術介紹 152

8.2.1 剪枝 152

8.2.2 知識蒸餾 154

8.2.3 量化壓縮 155

8.3 微調實戰 156

8.3.1 部分參數微調實戰 157

8.3.2 全參數微調實戰 158

8.4 模型壓縮實戰 160

8.4.1 8位量化壓縮實戰 160

8.4.2 4位量化壓縮實戰 161

8.5 思考 163

第9章 從0到1部署多模態大模型 164

9.1 部署環境準備 164

9.2 部署流程 166

9.3 使用Flask框架進行API開發 168

9.4 使用Gradio框架進行Web頁面開發 172

9.5 其他部署方法介紹 177

9.6 部署過程中常見的問題總結 180

*10章 多模態大模型的主要應用場景 184

10.1 多模態大模型的應用圖譜 184

10.1.1 多模態大模型的30個基礎應用 184

10.1.2 多模態大模型在六大領域中的應用 190

10.2 多模態大模型在金融領域中的應用 194

10.2.1 語音質檢 195

10.2.2 智能顧問 197

10.3 多模態大模型在出行與物流領域中的應用 202

10.4 多模態大模型在電商領域中的應用 204

10.4.1 智能客服 204

10.4.2 智能試穿 206

10.5 多模態大模型在工業設計與生產領域中的應用 208

10.6 多模態大模型在醫療健康領域中的應用 211

10.7 多模態大模型在教育培訓領域的應用 216

10.8 思考 217

*11章 用多模態大模型打造AI助理實戰 219

11.1 應用背景 219

11.2 方法論介紹 220

11.2.1 思維鏈解決復雜的推理問題 220

11.2.2 思維樹進一步提升推理能力 221

11.2.3 采用插值法解決長文本輸入問題 221

11.3 工具和算法框架介紹 223

11.3.1 使用的工具 223

11.3.2 使用的算法框架 223

11.4 優化邏輯介紹 225

11.4.1 如何提高多輪對話能力 226

11.4.2 如何提高角色扮演能力 226

11.4.3 如何提高長文本閱讀能力 227

11.5 多模態大模型的部署 228

11.6 多模態大模型的性能評估 229

11.6.1 綜合性能評估 229

11.6.2 長文本閱讀示例 230

11.6.3 多輪對話示例 231

11.6.4 角色扮演示例 234

11.6.5 LangChain框架賦能Ziya在限定域內問答示例 235

11.7 思考 236

*12章 多模態大模型在情緒識別領域的應用 237

12.1 應用背景和待解決的問題 237

12.2 方法論介紹 239

12.3 工具和算法框架介紹 244

12.3.1 算法的輸入和輸出 244

12.3.2 算法框架的整體構建流程 245

12.3.3 文本預訓練任務 246

12.3.4 圖像預訓練任務 248

12.3.5 多模態預訓練任務 249

12.3.6 算法的求解 250

12.3.7 算法的應用 251

12.4 優化邏輯介紹 252

12.5 部署流程 254

12.6 效果評測 255

12.6.1 評測數據集 255

12.6.2 評測指標 258

12.6.3 評測結果 258

12.7 思考 260

*13章 大模型在軟件研發領域的實戰案例與前沿探索 262

13.1 LLM在軟件研發過程中的單點提效 263

13.1.1 基于GitHub Copilot的代碼片段智能生成 263

13.1.2 基于GitHub Copilot X實現增強的代碼片段智能生成 267

13.1.3 基于GitHub Copilot X實現對選中的代碼的理解與解讀 269

13.1.4 基于GitHub Copilot X的Pull Requests提效 270

13.1.5 基于LLM實現的“代碼刷” 271

13.1.6 使用Copilot Voice實現語音驅動的代碼開發 273

13.1.7 使用Copilot CLI實現命令行的自動生成 275

13.1.8 使用TestPilot實現單元測試用例的自動生成 276

13.1.9 更多的應用 278

13.2 代碼大語言模型為軟件研發帶來的機遇與挑戰 278

13.2.1 對于軟件研發來說，什么變了 279

13.2.2 對于軟件研發來說，什么沒有變 279

13.3 在LLM時代，對軟件研發的更多思考 284

13.3.1 思考1：替代的是“碼農”，共生的是工程師 284

13.3.2 思考2：有利于控制研發團隊規模，保持小團隊的效率

優勢 285

13.3.3 思考3：不可避免的“暗知識” 285

13.3.4 思考4：Prompt即代碼，代碼不再是代碼 286

13.3.5 思考5：Prompt to Executable軟件研發范式的可能性 287

13.4 思考 287