基础模型 · 学习路线¶

时间紧时

先做快速入门：它把阶段 0、2、3 与 F2、F5 压缩成一个端到端作品；之后按本页选择深入方向。

两门主课，一条连续实现路线¶

中文全貌：李宏毅导论 → 代码理解：Karpathy Zero to Hero。先建立全貌，再运行和修改模型。时间按每周 8–10 小时估计，以实验结果决定节奏。

阶段	主资源	针对你的学习范围	实践与完成标准
0 · 全貌，1–2 周	李宏毅导论	第 1、6–10、12 讲，先理解系统与能力边界	F0：解释训练、推理、检索和工具，画出流程
1 · 基础检查，1–3 次学习时段	PyTorch Quickstart	先试着解释训练循环、验证、保存加载；有缺口再补 Basics	F1 按需；已经熟练即可通过，不重学 Python 和基础数学
2 · 实现，2–4 周	Karpathy Zero to Hero	不懂反向传播先看 micrograd；再做 makemore 前两讲，最后 GPT；其余讲次按需回访	F4 前半：小型 GPT、训练曲线、Tensor 形状与一个变量实验
3 · 使用现成模型，约 1 周	HF LLM Course 的第 2 章作接口参考	tokenizer、模型加载、上下文与生成；不另开一套完整课程	能用现成模型，并解释它与自己的小模型有什么区别
4 · 应用体验，1–2 周	F2 或 F3 的单个官方教程	资料问答与图片问答二选一	固定测试样例，保留成功和失败结果

阶段 0 与具身 Overview交错阅读。F1 是共享准备，不必在两个栏目各做一次。

文字学习替代路线：LLMs-from-scratch 第 2–5 章可替代 Karpathy 实现部分；选定一种媒介后沿同一套代码推进。

MoE、完整偏好优化、大规模并行、世界模型和多智能体暂作知识地图中的选修主题。不要将每个专题页都理解为一门必修课。

先完成两个 Overview 和一个实现项目，再对照 3–5 个目标岗位。按“能解释、能复现、能独立改进”记录能力，使用项目结果决定下一步。

每个阶段先跑原例，再改一个因素，最后用未参与调试的样例评估。记录依赖、代码版本、结果和自己的取舍。