随着大语言模型（LLM）在多个领域的迅猛发展，越来越多的从业者和研究人员开始关注如何更高效地训练、评估以及优化这些复杂的模型。如果你也对 LLM 领域充满好奇，想要深入了解最新的趋势和技术，那么由资深的机器学习专家 mlabonne 更新并发布的全新 LLM Course 2025 Edition 绝不可错过！
跟随路线图学习从基础的 LLM 训练开始，逐步深入到数据处理、模型评估、量化优化等领域，学习过程中结合实际操作和案例研究，加深对理论的理解。
通过这份课程，你将能够获得包括训练、数据集、评估、量化技术及新兴趋势（如测试时计算扩展）在内的丰富内容。无论你是刚刚踏入 LLM 领域的新手，还是已经有一定经验的从业者，这个课程都将为你提供充足的学习资源。
2025 版本的 LLM 课程更新内容十分丰富，其中的亮点包括：
1. LLM 训练与优化
详细讲解了大语言模型的训练过程、常见挑战及解决方案，帮助你掌握模型训练的核心技术。
介绍了现代 LLM 优化方法，如何在不同的硬件环境下提高训练效率。
2. 数据集选择与构建
提供了与 LLM 训练相关的数据集推荐，包括常用的开放数据集以及如何根据具体任务需求定制数据集。
讲解了如何有效地处理和清洗数据，为 LLM 的训练准备高质量的输入。
3. 模型评估
课程将介绍一系列评估方法，帮助你理解如何测量 LLM 在特定任务上的表现。
强调了对大语言模型的评估不仅仅是准确率，更要注重模型的健壮性、鲁棒性以及可解释性。
4. 量化技术
通过引入量化技术，课程讲解了如何压缩模型，减小模型的存储与计算开销，从而提高模型的部署效率。
介绍了最新的量化方法和实践，帮助你在不损失精度的情况下，优化模型的资源占用。
5. 新趋势：测试时计算扩展
测试时计算扩展（Test-time Compute Scaling）是当前 LLM 领域的一项新兴趋势。课程深入探讨了如何在测试阶段对计算资源进行扩展，以应对更大规模的模型推理任务。
GitHub 链接：
https://github.com/mlabonne/llm-course
