同一套 GPT，两条完整路线：训练更新与逐 Token 生成
沿 Hi 你! 串起 GPT 的完整计算：位置向量、LN 与 QKV、两次残差、MLP、全词表 logits、交叉熵和 AdamW，再看固定参数怎样逐 Token 生成与增量解码。用三张双语图解、两份分步动画区分参数、激活、梯度与生成上下文。
标签36
#大模型
词表不只决定切几刀：模型成本、多模态与分词边界
词表翻倍、序列缩短，为什么输出计算反而可能增加？从参数账与 ID 对应关系出发，区分连续视觉向量和离散视觉码，走完 Token Healing 的八个步骤，再用中文、数字、空白和 JSON / YAML 的切分例子说明表示差异。附双语图解与交互动画。
输入查几行，输出算整表：从 Token ID 到下一 Token
Tokenizer 交出一串 ID 之后，模型怎样继续？用同一个五 Token 小模型，查两张向量表、走完一个 Transformer Block、展开 lm_head 的每个候选分数，再手算训练损失、概率抽取、温度、top-k 与 top-p。附三张双语图解、两个交互演示和可复算的完整代码。
算法补课 · 下标是金额，值是枚数：动态规划的状态、递推与回溯
用 1、3、4 元硬币恰好凑出 6 元，从 dp[x] 的含义推到递推式：为什么只查 x−c，为什么能丢掉更差的凑法，为什么填完六轮却只沿 6→3→0 回溯。最后把同一套推理接回 Unigram 的 Viterbi 编码。
同一个 abc，为什么换了切法：Unigram 的训练与编码
Unigram 从候选词表出发，用所有合法切分的期望次数更新概率，再按删除代价缩小词表。沿着同一份 abc 语料推导 p、w、Z、q、C，接着用训练结果手算 abcabc 最后一个 c 的动态规划，最后核对 SentencePiece 的字节回退。
编号已经有了：minbpe 怎么恢复规则，又怎么处理特殊 Token
cl100k_base 给的是字节串到 rank / ID 的表，minbpe 要从中恢复左右两个组成部分。用 hello 追到 max_rank 为什么必须严格小于目标编号，再区分 merges 与完整 vocab、byte_shuffle 与原始字节。特殊标记则先由调用方策略决定走专用 ID 还是普通 BPE；最后核对完整编解码与测试范围。
词表里的 Ġ 是什么：沿着 GPT-2 源码走完一次编解码
GPT-2 的 encoder.py 不直接合并字节编号，而是先把 256 种字节映射成可逆字符别名。沿着 Hi 你! 看清两张资源表、rank 与 ID、BPE 的两层循环、缓存和结束条件，最后把跨 token 的 UTF-8 字节拼齐再解码。附官方十四轮合并与七轮教学例子的交互动画。
先划边界，再学合并：BPE 前面的那条正则
BPE 会把常挨在一起的字节合并，但不切块就会学出 e 加空格、逗号加空格这样的跨类别 token。GPT-2 用一条正则先划边界：每块独立统计和合并，全语料共用一张规则表。看懂四个缩进空格怎样被分成三加一，就能分清哪些差别来自正则，哪些来自训练。
一张合并表就是分词器：为什么要分词，以及从零写 BPE
模型只看编号，分词器负责在文字和编号之间翻译。码点当 token 词表太大、字节当 token 序列太长，BPE 从 256 个字节出发，反复把最常挨在一起的一对合并成新 token —— 训练完手里只剩一张按顺序排好的合并表。编码时每一步挑表里最早学到的那一对，所以表里明明有 ' th'，切 'the thin' 时却用不上：顺序决定结果。
基础补课 · 一个「你」，五串字节：字符集管编号，编码管存储
第 23 篇说 tokenizer 把文本变成整数，但没说第一步是把文本变成字节。字符集只管「这是第几号字」，编码只管「这个号码写成哪几个字节」—— 分开之后，UTF-8 的四种模板能手算，半个汉字为什么显示成 � 有了确定的答案，而分词器词表最底下那 256 个条目也不再是约定，是机械事实。
差别都在工程上：对照原论文和 nanoGPT，再看 GPT 怎么变成 ChatGPT
第二十五篇写出来的模型，对着 2017 年的原论文看是解码器那一半、去掉交叉注意力；对着 nanoGPT 看，结构几乎一模一样，差别都在工程。最值得啃的是多头合并那三行：c_attn 把小矩阵并排，view + transpose 把「头」挪到前面 —— 用一个 2 头的小例子手算到底。顺带修正一个说法（q 的偏置不是白加的），算清 6N 那笔账，最后看预训练、SFT、RLHF 怎么把一个只会续写的模型变成 ChatGPT。
thou 后面那个 r 是怎么消失的：一个注意力头长成 GPT
把第二十四篇的注意力头装进模型，再堆深、放大，val 从 2.49 一路降到 1.48。多头的参数一个没多，提升来自分工；FFN 补上唯一的非线性；残差让深网络在初始化时约等于浅网络，LayerNorm 换个方向归一化，Dropout 只扔分支、不碰主干。同一个问题问了四次 —— thou 后面接什么：原文里一次都没出现过的 r，从第一名一路跌到 0.001。
只改一行：注意力公式里的每一个符号是怎么来的
softmax(QKᵀ/√dₖ)V —— 这一篇把它的每个符号一个一个挣出来。从最笨的「求平均」开始，经过「下三角矩阵乘就是加权求和」「softmax 配 −∞ 屏蔽未来」，再到「分数由 q·k 算出来」：从求平均到注意力，代码只改了一行。encoder 和 decoder 也只差一行。最后那个 √dₖ，是第十五篇那条方差公式换了个地方用。
初始 loss 比瞎猜还差一半：从莎士比亚到 2.49 这条基线
换数据集重开：莎士比亚、65 个字符的词表、一条 val 2.49 的 bigram 基线 —— 后面每加一个模块都跟它比。这三段没有新数学，但引入了两样贯穿整集的东西：token 是你自己定义的（顺带解释了阶段四为什么选 Qwen），以及 (B, T, C) 这三个形状。还有一个能一眼看穿的等价：查表就是一层没有偏置的全连接。
差 0.0001：二十六步压成六组，手写的梯度训出了同一个模型
前三篇把 loss 到每个参数的二十六步全推了一遍，但那是打开黑盒逐步走。这一篇把黑盒合回去：交叉熵的八步压成一行、BatchNorm 的十步压成一行，用的是同一个方法 —— 数一数变量在前向里出现几次，反向就有几项。压完撤掉 backward() 训 20 万步，val loss 2.1105，而 PyTorch 训的是 2.1106。
看着对的那一行：96 次查表落在 27 行上，和 Ex1 收官
最后五步，没有分叉点，前三步是上一篇的复制粘贴。真正新的是后两步：view 的反向为什么就是它自己的逆操作（判据只有一条 —— 数的个数变没变），以及 dC[Xb] += demb 这行看着完全正确的代码为什么是错的。跑完这五步，4137 个参数的梯度全部手算出来。
同一个偏差，既当分子又去造分母：BatchNorm 反向的十三步
上一篇停在 logits —— 那是网络的边界，八步里一个参数都没碰到。这一篇往里走十三步，参数第一次出现。而 BatchNorm 那九步之所以是全集最绕的一段，原因和 softmax 是同一个：归一化的分子必须先被拿去造分母。顺带遇到第一个「系数不是 1」的求和反向，以及一个只差 3% 的错 —— 它的 maxdiff 小到像浮点误差。
必须恰好是 0 的那个梯度：八步手推 softmax 的反向传播
上一篇把张量求导的判据推完了，这一篇把它用满八次 —— 从 loss 一路倒推回 logits。真正带得走的不是那八个式子，是一套给自己判卷的方法、三条操作规则，以及一个「梯度必须恰好是 0」的性质：它反过来能当调试手段用。
数学补课 · 求和是复用的后果：sum(0) 还是 sum(1)，比一次下标就知道
第三篇给过多元链式法则那个 Σ，第十三篇用它推过线性层 —— 但那是一个特例。这一篇把它变成通用方法：加法从全微分来，四种形态只是同一张雅可比里非零项的分布不同，而「该 sum 还是该广播、沿哪一维」由两组下标怎么差直接读出来。
学习率该除以 3：四张图把「试出来」变成「算出来」
六层网络跑通，四张诊断图全部拿到手。前三张是某一步的快照，全绿；真正给出行动项的是第四张 —— 它把「lr 该调多少」从扫描曲线只能排除的范围，变成一个可以直接算出来的倍数。
输入差一千倍，输出都是 1.000：BatchNorm 拿什么换的
初始化只管第 0 步，BatchNorm 管每一步 —— σ_W 差一千倍，过完 BN 的输出完全一样。代价是它成了整个网络里唯一让样本互相影响的操作，于是推理要另存一套统计量，于是有了 model.eval()。
数学补课 · 方差可加，标准差不可加：√n 是从哪来的
上一篇用 σ_z = √n · σ_W · σ_x 就往下走了。这一篇从期望的定义把它推出来：三条运算规则、交叉项为什么会消失、为什么可加的是方差而不是标准差，以及为什么诊断神经网络盯的是方差，不是均值也不是最大值。
饱和从 62.3% 到 1.4%：四行初始化，和一套查错顺序
初始 loss 17、六成神经元一出生就死掉 —— 病因是标准差在两个矩阵乘上各被放大了一次。修法只有四行，但真正带得走的是那套「按什么顺序查」的清单，以及为什么 Kaiming 在这个网络上反而输给了拍脑袋。
数学补课 · 照抄的导数是 1：梯度怎么落到嵌入表上
梯度的形状永远和被求导的对象一样，两条规则就能推出线性层的反传公式。而 C[X] 的雅可比只含 0 和 1 —— 嵌入表梯度的稀疏与累加，两个性质都写在那一张表里。
2.1752：先有尺子，再谈调参
模型的参数从 train 学，你的超参数从 val 学 —— 所以 test 得再留一份。切分要按名字不按样本，否则验证集当场被污染。调完参 val 2.1752，而那 27 个字符的嵌入图上，元音自己聚成了一团。
快 820 倍：粗糙的梯度和一条只能排除的曲线
32 个样本算的梯度是错的，却比全量快 820 倍、loss 还更低。学习率靠扫描找：在指数上等长取样就是在学习率上等倍取样 —— 以及这条 U 形曲线为什么只能排除、不能选优。
3481 个参数：数值一样，不等于可以互换
隐藏层就是 3B1B 那个加权求和，只是一次算完 22 万个样本。张量是一条内存加一份说明书，view 零成本、转置之后就不能 view；手写 loss 和 F.cross_entropy 数值相同，却会算出 nan。
27 维压成 2 维：结构是压缩逼出来的
one-hot 让 a 和 e 的关系与 a 和 q 完全相同，只有把 27 维压进 2 维才逼得出结构。上下文从 1 扩到 3，统计表 729 → 531441，第一层参数 8100 → 600；以及索引的形状规律和点积为什么不是余弦。
两条路做同一个 bigram：数频次与梯度下降
先不用神经网络，只靠数频次做出完整语言模型（loss 2.4544），再用 one-hot + 矩阵乘法 + softmax 重做一遍（2.46）。两条路殊途同归，这回答了「神经网络到底在学什么」。
从 2 类到 27 类：只需要补三个零件
猫狗二分类和「预测下一个字符」是同一件事，只是类别数从 2 变成 27。为此要补的三个零件：one-hot、softmax、交叉熵 —— 以及交叉熵为什么不是「更高级的平方误差」。
训练循环：loss 把 41 个梯度接通
把前两篇的零件接通：损失函数把输出汇成一个数，三段循环让 loss 真的降下去。以及故意不清零梯度会发生什么 —— 换十个随机种子跑一遍。
从引擎到网络：三个类，41 个参数
把 Value 包成 Neuron / Layer / MLP。参数个数怎么来的、sz 的滑动窗口如何对齐维度、为什么三行循环就是整个前向传播。
自动求导引擎：规则归节点，顺序归拓扑排序
用一百行 Python 写出自动求导：Value 类建计算图，_backward 闭包存局部规则，拓扑排序做全局调度。以及 += 为什么就是多路径求和那个 Σ。
多路径求和：单输出网络藏起来的那个 Σ
输出层从 1 个变成 2 个之后，反向传播多出来一步。这一步不是新规则，是多元链式法则本来就有的。
梯度与反向传播：跟着一只猫走三个来回
一个 2→2→1 的网络，三轮训练里每一个数字是怎么算出来的。以及两个只有真的跑起来才看得见的现象。
神经网络到底是什么：一个 13,002 参数的函数
从手写数字识别出发，讲清神经元、层、权重、偏置、激活函数分别是什么，以及为什么说整个网络只是一个函数。