本文深入解析了大模型技术的整体架构从基础设施层到应用层详细阐述了模型架构的演变逻辑包括Transformer到Dense、MoE、MLA及Hybrid Retention的演进。文章还探讨了训练范式的三阶段演变从Chat时代到Reasoning时代再到Agent时代以及推理技术的关键流程和MTP加速原理。此外文章还介绍了Agent框架的技术栈、多模态的统一路径、Benchmark的取舍逻辑并关联了关键技术名词最后对比了训练与推理的基础设施差异。内容详实适合对大模型技术感兴趣的小白或程序员学习。概念不清地动山摇要想搞清楚一件事一定要从底层概念开始用劲。温馨提示文章很长技术概念较多建议先收藏不迷路。01 大模型总体技术栈分层大模型技术可以分为以下层次从顶到底┌─────────────────────────────────────────────────┐│ Agent 应用层 ││ Agent框架 / Skills / Memory / Multi-Agent │├─────────────────────────────────────────────────┤│ 模型服务层 ││ 推理(Inference) / API / TPS / 端侧/云端 │├─────────────────────────────────────────────────┤│ 后训练层 (Post-train) ││ SFT → RLHF → Reasoning RL → Agent RL │├─────────────────────────────────────────────────┤│ 预训练层 (Pretrain) ││ 自回归语言建模 / next token prediction │├─────────────────────────────────────────────────┤│ 模型架构层 ││ Transformer → Dense → MoE → MLA/Hybrid Retention│├─────────────────────────────────────────────────┤│ 基础设施层 (Infra) ││ 集群 / 通信算子 / 监控 / RL Infra │├─────────────────────────────────────────────────┤│ 硬件层 ││ 训练卡 / 推理卡 / 端侧芯片 │└─────────────────────────────────────────────────┘02 大模型框架的演变逻辑演变路线图Transformer (2017) │ ├──→ Dense模型 (LLaMA, 2023) │ │ │ │ 问题参数全激活又贵又慢 │ ▼ │ GQA (LLaMA_2, 2023) │ │ 多个Query head共享KV减少KV Cache │ │ │ │ 问题仍是Densescaling成本高 │ ▼ │ MoE (DeepSeek V2/V3, 2024) │ │ 稀疏激活每次只用部分Expert │ │ Router负责调度 │ │ Expert负载均衡防专家死亡 │ │ │ │ 问题MLA设计针对特定推理卡不支持MTP加速 │ ▼ │ MLA (DeepSeek V2, 2024) │ │ 低秩压缩KV Cache │ │ 访存/计算完美平衡在Chat时代 │ │ │ │ 问题已达Compute Bound/Memory Bound临界点 │ │ 上MTP后又被卡回Compute Bound │ │ 后训练周期拉长架构假设易失效 │ ▼ │ MLA MTP ❌ 不兼容 │ └──→ Hybrid Retention (MemoVR, 2025) │ │ Full Attention层 Sliding Window层交替堆叠 │ 稀疏比 5:1 → 7:1更大模型可更稀疏 │ ├──→ MTP ✅ 兼容 │ │ 利用计算剩余的算力 │ │ 预训练提升基座能力 │ │ 推理时投机解码加速 │ └──→ Agent时代最优解 │ 长上下文效率高KV Cache小 │ 推理速度快60-150 TPS │ 架构简洁留有调整余地架构选择的核心矛盾判断与洞察后训练周期从1个月拉长到半年到一年预训练阶段做的假设用什么卡、什么场景、多长上下文全部可能失效。因此需要更简洁的架构而非更精细的架构。03 训练范式的演变逻辑三阶段演变阶段1Chat时代 (2022-2024)═══════════════════════════ 预训练(Pretrain) ──→ SFT ──→ 轻量RLHF │ │ │ 大规模语料 人工标注 人类偏好 (互联网数据) (指令-回答对) (哪个更好) │ 核心学习语言知识和世界知识 算力比预训练 后训练 (33:5) 代表ChatGPT, LLaMA 阶段2Reasoning时代 (2024-2025)═══════════════════════════════ 预训练(Pretrain) ──→ SFT ──→ Reasoning RL │ │ │ 大规模语料 人工标注 Code/Math验证 Code数据 │ (有标准答案) │ │ │ 核心模型学会思考 │ 模型长链推理 算力比预训练 ≈ 后训练 │ Chain-of-Thought 代表DeepSeek R1, o1 │ │ Reward来自验证器(自动) 而非人类标注 阶段3Agent时代 (2025-2026)═══════════════════════════ 预训练(Pretrain) ──→ SFT ──→ Agent RL │ │ │ 大规模语料 Skills数据 环境交互 Code数据 (人机共创) (多轮长程) │ │ │ 核心模型学会做事 │ 模型与Agent框架耦合 算力比预训练 后训练 │ Trajectory级训练 代表Claude Opus 4.6 │ │ Reward来自任务完成率 RL Infra完全不同于Reasoning关键转变后训练重心的迁移Chat时代 预训练 ████████████████████████████ 后训练 ████ 33份算力 5份算力 Reasoning时代预训练 ████████████ 后训练 ████████████ 15份算力 15份算力 Agent时代 预训练 ████ 后训练 ████████████████████████████ 1份算力 1份算力但研究占3份以上 研究 ████████████████████████████████████████████████████ 3份算力各阶段的数据逻辑Code的特殊地位在三个阶段都扮演关键角色——预训练中提供长上下文依赖数据、Reasoning中提供可验证reward、Agent中提供天然的长程复杂任务环境。04 推理技术的关系网推理流程输入文本 │ ▼┌─────────┐│ Prefill │ ← 计算密集并行处理所有输入token│ (读题) │ 生成KV Cache└────┬────┘ │ ▼┌─────────┐│ Decode │ ← 访存密集逐个生成输出token│ (写答案) │ 每步读取KV Cache└────┬────┘ │ ├──→ 普通Decode一个一个token生成 │ └──→ MTP加速Decode │ ▼ ┌──────────┐ │ MTP Head │ ← 小模型/额外层快速猜多个token │ (小助手) │ └────┬─────┘ │ ▼ ┌──────────┐ │ Verify │ ← 主模型并行验证 │ (检查) │ 命中→采纳未命中→重新生成 └──────────┘ │ ▼ 速度提升成本下降MTP的双重价值预训练阶段 推理阶段 MTP MTP │ │ ▼ ▼提升基座能力 投机解码加速(预测未来多个token (猜对了直接用)的训练信号更丰富) │ │ │ ▼ ▼更好的模型效果 更快的推理速度 更低的成本为什么MLA不能用MTPMLA的计算/访存平衡 访存 ████████████████████████████████ ← 已到极限 计算 ████████████████████████████████ ← 已到极限 ↑ 两者完美平衡 加上MTP后 计算 ████████████████████████████████░░░░ ← 又被卡满 访存 ████████████████████████████████ ↑ 又变成Compute BoundMTP白加了 Hybrid Retention MTP 计算 ████████████████████░░░░░░░░░░░░░░ ← 有剩余 访存 ████████████████████████████████ ↑ MTP刚好填补计算剩余05 Agent框架的技术栈Agent框架的组成┌──────────────────────────────────────────────┐│ 用户交互层 ││ (UI/消息通道/定时任务/心跳任务) │├──────────────────────────────────────────────┤│ Agent框架层 ││ ┌──────────┐ ┌──────────┐ ┌──────────┐ ││ │ Memory │ │ Skills │ │ 多模型 │ ││ │ 记忆系统 │ │ 技能包 │ │ 调度 │ ││ └──────────┘ └──────────┘ └──────────┘ ││ ┌──────────┐ ┌──────────┐ ┌──────────┐ ││ │ Context │ │ 评估 │ │ 工具 │ ││ │ 编排 │ │ 体系 │ │ 调用 │ ││ └──────────┘ └──────────┘ └──────────┘ │├──────────────────────────────────────────────┤│ 模型层 ││ 语言模型 多模态模型 TTS ││ (Pro/Omni/TTS 协同工作) │├──────────────────────────────────────────────┤│ 环境层 ││ 代码执行 / 文件系统 / API调用 / 搜索 │└──────────────────────────────────────────────┘Skills的来源与价值互联网公开知识 vs 企业/个人私有知识(预训练数据) (Skills) │ │ ▼ ▼模型已学会 模型学不到 │ │ ▼ ▼通用能力 场景化能力(能聊天、能写代码) (能按你的规范写代码) │ │ └───────────┬──────────────────────┘ │ ▼ Skills 预训练的补充 人与Agent共创的产物 群体智能的具象化OpenClaw vs Claude Code核心洞察先用Opus 4.6在OpenClaw上把框架改好自定义Memory系统、Multi-Agent架构然后切换到更便宜的模型效果依然很好。框架弥补了模型短板。06 多模态的统一路径当前状态两条路线并行路线A离散化统一小米AI大模型在探索的方向═══════════════════════════════ 文本 ──→ Token ID离散 ──┐ │ 音频 ──→ RVQ编码 ──→ Token ID离散──→ 同一套LLM处理 │ 图像 ──→ RVQ编码 ──→ Token ID离散──┘ (正在进行中) (尚未走通) 优势统一架构、统一RL Infra、统一训练范式 劣势离散化有损、研究成本高 路线B连续表征拼接主流做法═══════════════════════════════ 文本 ──→ Token Embedding ──┐ │ 图像 ──→ VIT编码 ──→ 连续表征 ──→ 拼接后送入LLM ❌被放弃的BenchmarkSWE-Bench ──→ 只测修bug不代表真正软件开发能力BrowseComp ──→ 信息检索太specific换个方式就不行TerminalBench ──→ 终端操作能力实际场景不常用 判断在这上面训练模型只能在这种数据集上测换的方式哪怕也是做信息检索最终能力还是放不出去 ✅被采用的评估方式体感评估 ──→ 接到OpenClaw/Claude Code里实际用 │ ├──→ Agent框架适配度是否理解框架 ├──→ 任务完成率端到端成功率 ├──→ 长程任务表现复杂软件开发 └──→ 多框架稳定性在不同scaffold上都好用 当你路径走对了靠体感就能立马测出非常大的质的差异08 关键技术名词的关联图Transformer │ ┌──────────────┼──────────────┐ │ │ │ Dense MoE Attention变体 (LLaMA) (DeepSeek V3) │ │ │ ┌────┴────┐ │ │ MLA Hybrid │ │ (DeepSeek) Retention │ │ │ (MemoVR) │ │ │ │ │ │ │ ┌──┴──┐ │ │ │ Full Sliding │ │ │ Attn Window │ │ │ │ │ 不支持MTP 支持MTP │ │ │ │ └──────┬───────┘ │ │ │ │ │ GQA │ │ (减少KV Cache) │ │ │ │ │ └────────┬────────┘ │ │ │ KV Cache │ (显存瓶颈) │ │ │ ┌─────────┴─────────┐ │ │ │ │ Prefill Decode │ (读题) (写答案) │ │ │ │ │ ┌──────┴──────┐ │ │ 普通Decode MTP │ │ (逐个生成) (投机解码)│ │ │ │ │ Speculative │ │ Decoding ◄───┘ │ └──────────→ KV Cache管理 (长上下文核心)09 训练与推理的Infra差异预训练Infra═══════════ 需求稳定性、吞吐量 │ ├── Loss Spike必须解决 ├── Expert负载均衡 ├── 通信算子正确性 └── 数值稳定性Clip/Norm │ 特点追求精确不容错 Reasoning RL Infra═══════════════════ 需求推理引擎 验证器 │ ├── 模型推理引擎长思考 ├── Code执行验证器 ├── Math验证器 └── Reward计算 │ 特点以推理rollout为中心 Agent RL Infra═══════════════ 需求推理引擎 Agent框架耦合 │ ├── 模型推理引擎 ├── Agent环境交互黑盒/白盒 ├── 异构资源调度GPUCPU存储 ├── 容错任务可能中途断开 ├── 训练/推理一致性容忍 └── 框架变化的兼容性 │ 特点以Agent为核心模糊地带多 灵活性和敏捷性要求极高10 一句话总结各技术的为什么存在最后2026 年一晃已经过半AI 大模型的热潮不仅没有降温反而持续升温金融行业用大模型做风控、医疗依靠 AI 解析影像电商、制造、教育各行各业都在把 AI 融入日常业务。曾经热闹的 “百模大战”早就告别单纯比拼模型参数正式进入落地应用时代。现在企业疯狂紧缺一类人才懂业务、懂 AI、能做出可上线项目的大模型开发工程师岗位缺口大薪资待遇十分可观。风口再好不如手握高薪 offer 实在。行情火热普通人、程序员该怎样从零入门大模型抓住这波机会今天整理好【2026 最新版】AI 大模型全套免费学习资源覆盖零基础入门、项目实战、理论知识、大厂面试从基础一路进阶。所有资料分类归档没有多余杂料无套路免费分享给想要入局 AI 赛道的程序员与零基础小白扫码免费领取全部内容1、大模型系统化完整学习路线2、大模型经典书籍文档3、AI 大模型最新行业研究报告4、企业级实战项目 完整配套源码5、大厂大模型面试真题汇总6、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】