曾发布经典 AI Agent 指南的谷歌高级总监再次出手，带来一份长达 171 页的 LLM 白皮书，堪称目前最全面、最系统化的 LLM 学习文档。
这份文档不仅是知识的集合，更是一张从核心原理到前沿架构的完整技术地图，覆盖了 LLM 领域的几乎所有关键节点。
文档核心结构：
- Part 1: 基础原理 🏗️
从 Transformer 的开山之作“Attention is All You Need”讲起，深入浅出地剖析了 Encoder/Decoder、多头注意力机制、Scaling Laws 等基础，并延伸至上下文窗口管理、MoE、多模态等现代架构的核心概念。
- Part 2: 推理与对齐 🤖
系统梳理了从思维链 (CoT) 到思维树 (ToT) 的高级推理范式演进，并详细拆解了 RLHF、RLAIF、DPO 等关键的对齐技术，解释了模型如何学会“思考”并与人类价值观对齐。
- Part 3 & 4: 核心技术与代码实现 🛠️
不仅逐行拆解了基础 Transformer 的代码实现，还对 MoE、GQA (Grouped-Query Attention)、RoPE (Rotary Position Embeddings)、KV Caching 等现代 LLM 赖以成功的关键优化技术，进行了原理与代码的双重解读。
- Part 5 & 6: 前沿架构与源码剖析 🔍
全面评述了 2025 年各大厂商的旗舰模型架构，包括 DeepSeek-V3、Llama 4、Gemma 3、Qwen3 等，并以 Google 开源的 Gemma 3 为例，进行了源码级的深度剖析。
这不仅是一份文档，更是一位资深从业者为你精心绘制的 LLM 技术全景图。
文档链接🔗 docs.google.com/document/d/1WUk_A3LDvRJ8ZNvRG--vhI287nDMR-VNM4YOV8mctbI/edit
LLM 大语言模型 人工智能 Transformer 深度学习 技术文档
