一、什么是 LLM？

LLM，全称为 Large Language Model（大语言模型），是一种基于神经网络（主要是 Transformer 结构）的大规模自然语言处理（NLP）模型。其核心能力在于理解、生成、翻译和总结自然语言，已广泛应用于问答系统、机器翻译、对话机器人、代码生成、文本创作等场景中。

LLM 的基本任务：给定一段文本，预测接下来的 token（语言片段），也可以理解为：LLM 是一种基于上下文预测下一个 token 的概率分布的模型。

一个典型的 LLM“7B 模型”表示拥有 70 亿参数（billion），使用 float32 存储时，模型大小约为 28GB（7B × 4 字节）。模型规模常见有 0.5B、1B、7B、13B、33B、65B，甚至超过 100B。

二、LLM 模型结构

总体看，LLM 结构有以下几种：

• Decoder-only 架构（主流 LLM，如 GPT-4、LLaMA、PaLM）：骨干结构由多个 Decoder 层堆叠而成，且每个 Decoder 层包含自注意力机制和前馈网络，用于从左到右生成文本。

• Encoder-only 架构（如 BERT）：这类模型仅使用 Transformer 的 Encoder，用于理解文本而非生成。

• Encoder-Decoder 架构（如 T5、BART）：这类 LLM 同时使用了 Transformer 的 Encoder 和 Decoder，Encoder 处理输入（如源文本），Decoder 生成输出（如翻译结果）

当前 GPT、LLaMA 等主流模型采用 Decoder-only 架构堆叠组成，通过自回归方式生成文本。一个典型的 Transformer Decoder 层包括以下组件：

• Self-Attention（自注意力层）：对输入序列进行全局信息建模，使模型捕捉上下文关系。

• Feed Forward Network（前馈网络，FFN）：通过两层全连接神经网络实现非线性变换。

• Layer Normalization + 残差连接：保证训练稳定性与深层信息流通。

• 多层堆叠：一个 LLM 通常包含几十甚至上百层的 Decoder。每一层都会基于当前输入和之前的 token 信息进行信息融合与加工，形成更深层次的语言理解能力。

传统 Transformer：每个解码器块使用固定的前馈网络 MoE 架构：通过 Router 动态选择部分专家网络，提升模型容量同时减少计算量。

图片来源：https://blog.csdn.net/LLM88888888/article/details/147580799

三、Token 与 Tokenizer 理论

token 是指文本中的一个词或者子词，经过 Tokenizer（分词器）将原始文本拆解为子词、单词或字符，同时保留语义和结构信息。

tokenizer 将字符串分为一些 sub-word token string，再将 token string 映射到 id，并保留来回映射的 mapping。

embeddings 将 token id 编码成向量，例如下面 bert 示例中：ID=101 → 向量 [0.1， 0.2， …， 0.5] （bert 768 维）

四、bert 实操解读

代码如下：

# 注意，需要 pip install transformers 安装 transformers 库from transformers import BertTokenizer, BertModel   
sentence = "Hello, my son is cuting."
# 问题1：'bert-base-uncased'从哪来，有哪些内容？tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')# 问题2：return_tensors='pt'有什么作用？encoded_input = tokenizer(sentence, return_tensors='pt')print("encoded_input: ", encoded_input)# encoded_input:  {'input_ids': tensor([[ 101, 7592, 1010, 2026, 2365, 2003, 3013, 2075, 1012,  102]]), 'token_type_ids': tensor([[0, 0, 0, 0, 0, 0, 0, 0, 0, 0]]), 'attention_mask': tensor([[1, 1, 1, 1, 1, 1, 1, 1, 1, 1]])}
# 问题3：分词encoded_input表示什么？model = BertModel.from_pretrained("bert-base-uncased")output = model(**encoded_input)print("output: ", output)print(output.last_hidden_state.shape)  # torch.Size([1, 10, 768])，输出形状为 [1, seq_len, hidden_size]print(output.pooler_output.shape)      # torch.Size([1, 768])# 问题4：bertmodel输出是什么？怎么理解？

问题 1：'bert-base-uncased’从哪来，有哪些内容？

运行目录：

.├── 1_code_run.py└── bert-base-uncased    ├── config.json    ├── pytorch_model.bin    ├── tokenizer_config.json    ├── tokenizer.json    └── vocab.txt

所需文件到：https://huggingface.co/google-bert/bert-base-uncased/tree/main 中获取。

• tokenizer.json：存储分词器的核心映射规则（token 与 ID 对应关系等 ），用于文本转 token ID。

• tokenizer_config.json：配置分词器的参数（如词表路径、模型类型等 ），让 BertTokenizer 能正确初始化。

• vocab.txt：词表文件，记录模型可识别的所有基础 token，是分词和编码的基础。

• config.json：存储模型的架构配置（层数、隐藏层维度、注意力头数等 ），用于构建 BertModel 的网络结构。

• pytorch_model.bin：PyTorch 格式的模型权重文件，加载后为模型提供推理 / 训练所需参数。

使用 from_pretrained 时，只要本地路径（或缓存路径）包含这些文件，transformers 库会自动加载，无需手动逐个指定，把这些文件放在本地对应模型名的文件夹（如 bert-base-uncased 命名的文件夹），然后 from_pretrained 传入该文件夹路径即可。

*问题 2：return_tensors='pt’有什么作用？*

BertTokenizer 默认返回的是 Python 列表，而 PyTorch 模型需要 torch.Tensor 类型的输入，在调用分词器时，添加 return_tensors=‘pt’ 参数，可以强制返回 PyTorch 张量。

问题 3：分词 encoded_input 表示什么？

• input_ids：token 对应的编号

• token_type_ids：句子类型（如问句/答句）

• attention_mask：是否为有效 token 的掩码

问题 4：bertmodel 输出是什么？怎么理解？

output:  BaseModelOutputWithPoolingAndCrossAttentions(last_hidden_state=tensor([[[ 0.1343,  0.2069, -0.1056,  ..., -0.3678,  0.3318,  0.4747],         [ 0.7642,  0.0530,  0.3679,  ..., -0.0856,  0.6686, -0.0110],         ...,         [ 0.6652,  0.3903, -0.0479,  ...,  0.0236, -0.5730, -0.3705]]],       grad_fn=<NativeLayerNormBackward0>), pooler_output=tensor([[-8.4724e-01, -3.6394e-01, -7.2207e-01,  6.6477e-01,  4.1991e-01,          2.4143e-02,  8.3331e-01,  2.9624e-01, -5.0529e-01, -9.9998e-01,          ...,          8.8765e-01,  8.4602e-01, -3.0099e-01,  4.3198e-01,  5.7014e-01,         -4.6997e-01, -6.4236e-01,  9.0241e-01]], grad_fn=<TanhBackward0>), hidden_states=None, past_key_values=None, attentions=None, cross_attentions=None)

前面有介绍到：BERT 是 Encoder-only 架构，仅使用 Transformer 的 Encoder，用于理解文本而非生成。

1. last_hidden_state

• 维度一般是 [batch_size， sequence_length， hidden_size]（示例里 batch_size=1 ，因单条输入；sequence_length 是句子分词后 token 数量；hidden_size 是模型隐藏层维度，BERT-base 通常为 768 ）。

• 含义：模型对输入序列中每个 token 编码后的向量表示。比如句子分词后有 5 个 token，就对应 5 个向量，每个向量维度是 hidden_size，可用于细粒度的 token 级任务（例如，文本分类时可取特定位置的 token 向量做分类依据）。

• 示例里的 tensor（[[[ 0.1343， 0.2069， -0.1056， …， -0.3678， 0.3318， 0.4747]， … ]]） ，就是每个 token 经 BERT 编码后的高维语义向量。

1. pooler_output：维度是 [batch_size， hidden_size] （示例里 batch_size=1 ），表示对整个输入序列的全局语义总结，可用于句子级任务（如文本分类、情感分析，输入分类器判断类别）。

2. hidden_states：值为 None ，默认 BERT 不会输出各层（如 embedding 层、各 Transformer 层 ）的隐藏状态。若初始化模型时设 output_hidden_states=True ，会输出从输入到各层的隐藏状态列表，可用于分析模型各层对语义的加工过程。

3. past_key_values：值为 None ，用于增量解码（如文本生成场景 ），默认不输出。若开启相关配置，会保存前一步注意力键值对，加速后续 token 生成。

4. attentions：值为 None ，默认不输出注意力权重。若设 output_attentions=True ，会输出各层注意力头的权重，可分析模型关注输入序列的哪些部分，辅助调试和理解模型聚焦点。

5. cross_attentions：值为 None ，BERT 是 Encoder 结构，无交叉注意力（一般 Decoder 或 Encoder-Decoder 结构有 ），所以这儿无输出。

后续会对 LLM 推理具体过程进行介绍～