GraphCanon updated today · GitHub synced today
Decision brief
LLMBook-zh.github.io is a comprehensive guide on Large Language Models (LLMs) written in Chinese, ideal for Chinese-speaking beginners seeking to understand LLMs deeply.
Good fit when
- When looking for detailed explanations of LLM technologies written in Chinese
- For readers with a basic understanding of deep learning but needing deeper insights into specific LLMs
Avoid when
- If your primary language is not Chinese and you seek immediate practical application
- For advanced researchers preferring the latest, cutting-edge research without detailed foundational explanations
Observed Jul 12, 2026 · Source: enrich:decision_facts
Verify the decision
Maintenance and security
Full trust report- Maintenance
- Slowing (349d since push)
- As of today
- Provenance
- Not a fork · Personal account
- As of today
- Security (OSV)
- No lockfile
- As of 1mo
Public GitHub metadata and optional OSV scans. Signals, not a guarantee. Trust methodology.
Install
pip install LLMBook-zh.github.ioHow it fits your stack(9)
Typed graph edges - alternatives, integrations, successors, and dependencies. Ranked by relationship type, not raw GitHub stars.
Related
Similar tools
Same-category neighbours not already linked as typed edges.
Evidence and technical details
Sourced facts, taxonomy, compatibility claims, README excerpt, and machine-readable endpoints.
Overview
本书由多位研究人员编写，系统介绍了大模型相关的技术和知识。从基础概念、算法到具体实现进行了详尽的讲解，并提供了相关课程资源。
Capability facts
- Languages
- python
Source: github.language · Aug 17, 2026
Categories
Tags
README
大语言模型
关于本书
为了更好地普及和传播大模型技术的最新进展与技术体系，我们于2023年3月发表了大语言模型英文综述文章《A Survey of Large Language Models》，并不断进行更新完善，目前已经更新至第14个版本，95页正文1064个参考文献。自英文综述文章上线后，陆续有读者询问该英文综述文章是否有对应的中文版本。为此，我们于2023年8月发布了该综述（v10）的中文翻译版。2023年12月底，为了更好地提供大模型技术的中文参考资料，我们启动了中文书的编写工作，并且于2024年4月完成初稿，经过历时5个月的后续修正与完善，这本书终于出版了。
与英文综述文章的定位不同，本书更关注为大模型初学者提供整体的技术讲解，为此我们在内容上进行了大范围的更新与重组，力图展现一个系统的大模型技术框架和路线图。本书适用于具有深度学习基础的读者阅读，可以作为一本基础的大模型参考书籍。在准备中文书的过程中，我们广泛阅读了现有的经典论文、相关代码和学术教材，从中提炼出核心概念、算法与模型，并进行了系统性的组织与讲解。我们对于每个章节的内容初稿都进行了多次修正，力求表达的清晰性与准确性。然而在图书编写过程中，我们深感自身能力与知识的局限性，尽管已经付出了巨大的努力，但仍难免会有遗漏或不足之处。本书的出版仅是一个起点，我们将编写此书的过程也作为一个自身的学习过程，希望能够通过本书与读者进行深入交流，向更多的行业同行学习，欢迎大家为这本书提出宝贵的指导建议。
推荐语
本书的编者长期从事大模型技术的相关研究，曾组织研发了文澜、玉兰等一系列大模型，具有深厚的科研与实践积累。本书内容深入结合了编者在研发大模型过程中的第一手经验，全面覆盖了大模型技术的多方面知识，可以作为深入学习大模型技术的参考书籍，强烈推荐阅读!
张宏江 北京智源人工智能研究院学术顾问委员会主任、美国国家工程院外籍院士
本书的编写团队于2023年3月发布了学术界首篇大语言模型综述文章“A Survey of Large Language Models”，受到了广泛关注。在这篇经典综述文章基础上，编写团队对编写内容进行了精心组织与撰写，并且融入了其长期从事大模型技术的科研经验。本书具有重要的参考与学习价值，是一部值得推荐的大模型佳作。
鄂维南 北京大学讲席教授、中国科学院院士
大模型作为一种快速兴起的人工智能技术，已经深刻地影响了未来的科技发展趋势。为了更好地推进大模型技术在我国的学习与普及，亟须有专业的中文技术图书进行系统介绍。本书是一部精心编写的大模型技术图书，涵盖了预训练、微调、对齐、提示工程等众多基础内容，能够为相关从业人员提供权威的、系统的学习参考，强烈推荐阅读。
张亚勤 清华大学智能科学讲席教授、中国工程院外籍院士
课程资源
为了帮助课程教学及传播大模型知识，《大语言模型》编写团队特别提供了相应的PDF课件：
| 课程 | 目录 |
|---|---|
| 第一课 初识大模型（对应本书第一、二章） | 语言模型发展历程、大模型技术基础、GPT和DeepSeek模型介绍 |
| 第二课 模型架构（对应本书第五章） | Transformer模型介绍、模型详细配置、长上下文模型和新型架构 |
| 第三课 预训练（对应本书第四、六章） | 预训练之数据工程、预训练之具体流程、训练优化、[模型参数量与训练效率估 |
For agents
This page has a .md twin and JSON over the API.