前言大模型真的很厉害它们不仅能写出复杂的代码解决高难度的奥数题更展现出令人惊叹的思考力。其思考的深度、广度应该超过99%的普通人。大概从GPT o1开始大模型有了深度思考的能力而且这个能力正在飞速地迭代继续变得“更聪明”。今天就来和大家聊一个比较酷的话题大语言模型LLM是如何学会“思考”和推理的希望此文可以给大家一些启发。大模型思考的“快与慢”很多人认为AI的聪明之处在于它能瞬间给出正确答案这似乎是一种超乎人类的直觉。但这种看法其实是一种误解。在大多数情况下大模型直接给出的答案就像是一种“本能反射”。它直接从海量数据中“背诵”或“联想”出一个最可能的答案这更像是记忆力而非真正的推理。▲ 人类的思维的两种模式这种“快思考”虽然高效但难以处理需要多步逻辑的新问题。而真正的推理能力是让AI能够处理那些从未在训练数据中见过的、需要多步逻辑才能解决的新问题。这就像一个人在面对一道全新的数学题时不是靠背诵答案而是通过一步步的逻辑推导来找到解法。这才是我们今天所说的“LLM推理”的核心。大模型的“推理”到底是什么要理解推理我们首先要明白大模型的工作原理。简单来说大模型的核心任务是“猜词”或者称为 词语接龙。它通过学习海量的文本数据来预测给定一串文字后下一个最可能出现的词语在AI领域我们称之为“令牌”或Tokens。举个例子当你输入“太阳从东边”模型会根据它学到的知识预测出“升起”。而大模型的“思考”就是它在生成最终答案之前自己生成一系列的中间令牌。这些令牌不是直接的答案而是用来引导模型走向正确答案的“内部独白”或“思考路径”。以下我们介绍几个与大模型思考和推理能力最密切相关的概念和方法。一中间令牌Tokens的本质与作用【学术原理】在Transformer架构中推理过程中的每一个中间令牌Intermediate Token都是模型基于当前上下文包括输入和之前生成的令牌预测出来的。这些令牌的生成过程是序列化的即一个令牌的出现会影响下一个令牌的概率分布。【通俗理解】想象一下你正在写一篇小说。你每写完一个句子大脑都会思考接下来最可能出现的词语和情节。大模型的中间令牌就像这个过程的具象化。它不是一次性得到最终答案而是通过一步步地“猜”出中间步骤最终构建出完整的推理过程。为什么会生成很多令牌复杂性决定长度对于一个复杂的推理问题比如一个多步数学题它需要更多、更详细的中间步骤才能确保正确。就像人类解题时需要写草稿一样AI也需要足够的“草稿空间”来记录它的思考过程。可解释性这些中间令牌不仅是为了帮助模型得到正确答案也使得模型的推理过程变得可解释Explainable。我们可以通过查看这些中间令牌来理解模型是如何从问题一步步走到答案的。提高准确率研究表明让模型生成更长的、更详细的中间步骤可以显著提高最终答案的准确率。因为这相当于给模型更多的机会去纠正错误、完善逻辑。这就像我们写数学题步骤越详细出错的概率就越低。二思维链Chain-of-Thought, CoT【学术原理】CoT是一种提示工程Prompt Engineering技巧其核心是利用模型的“少样本学习”Few-shot Learning能力。通过在输入中提供一个带有明确推理步骤的例子模型能够被诱导去模仿这个模式从而将一个复杂的、需要多步才能解决的问题分解成一系列更小的、更易于处理的子问题。【通俗理解】 想象一下你的孩子问你“我有3个苹果爸爸比我多2个我们总共有几个”如果你只给一个答案“8”孩子可能不明白。但如果你分步解释“你爸爸比我多2个所以他有 325 个苹果。然后你们俩加起来是 358 个。” 孩子就恍然大悟了。AI也是一样例子1问题“将’artificial intelligence’中每个单词的最后一个字母连接起来。”答案“le”。AI的“思考过程”“artificial”的最后一个字母是“l”。“intelligence”的最后一个字母是“e”。将“l”和“e”连接起来得到“le”。例子2问题“一个正方形的四个顶点分别是(-2, 2), (2, -2), (-2, -6), 和(-6, -2)它的面积是多少”答案32。AI的“思考过程”三自洽性Self-Consistency【学术原理】自洽性是一种基于多数投票的推理方法。其核心思想是一个正确的推理路径应该具有一致性。该方法通过多次采样让模型生成多个不同的CoT推理路径和相应的答案然后选择出现频率最高的答案作为最终结果。【如何判定结果好坏】这就是自洽性的核心价值。在LLM推理中我们有一个关键的经验法则“更高的一致性代表更高的准确性”Higher Consistency Indicates Higher Accuracy。当模型通过不同的思考路径反复得出同一个答案时这个答案的正确率会大大增加。自洽性就是利用这个原理通过大规模的“内部验证”来提升最终结果的质量。【通俗理解】人类在解一个复杂问题时通常会多想几遍确认答案。AI也一样自洽性原理就是让AI对同一个问题生成多个不同的“思维链”然后从中选择出现频率最高的那个答案作为最终答案。这就像一个团队开会讨论最终采纳了大部分人的共识。例子问题“一个农场主每天收16个鸡蛋早餐吃掉3个烤松饼用4个剩下的以2美元一个卖出他每天赚多少钱”AI生成了3个不同的“思考过程”路径1剩下 16−3−49 个鸡蛋。所以每天赚 2×918 美元。路径2她用 2×(16−4−3)26 美元卖出剩下的。路径3吃掉3个后剩 16−313 个。烤松饼后剩 13−49 个。所以每天赚 9×218 美元。最终结果尽管思维路径不同但有两条路径都得到了“18”这个答案。根据自洽性原则模型会选择“18”作为最可信的答案。四RECITE增强生成【学术原理】RECITE是“增强生成”Recitation-augmented Generation的缩写其核心思想是在生成最终答案之前先让模型“背诵”其内部记忆中与问题相关的知识。这使得模型能够从内部记忆中提取和整理关键信息从而提高在闭卷问答任务中的准确性。【通俗理解】就像我们在参加考试前会先在脑子里回顾相关知识点一样。AI在回答一个问题时也会先在大脑里“翻找”一遍把所有相关的知识点都列出来再用这些知识来构建答案。例子问题“爱因斯坦在1905年发表了哪些重要论文”答案爱因斯坦在1905年发表了关于光电效应、布朗运动和狭义相对论的论文。AI的“思考过程”RECITE阶段模型首先从内部记忆中提取知识“1905年是爱因斯坦的奇迹年他发表了关于光电效应、布朗运动和狭义相对论的四篇革命性论文。”生成阶段基于提取的知识模型开始构建答案“爱因斯坦在1905年发表了多篇重要论文其中包括关于光电效应、布朗运动和狭义相对论的论文。这些论文共同奠定了现代物理学的基础。”五聚合与检索Aggregation and Retrieval【学术原理】聚合与检索是LLM推理中的一个关键范式它将LLM的内部知识与外部信息源相结合以增强其推理能力。该范式通常分为两个步骤检索Retrieval和聚合Aggregation。检索模型根据用户输入从外部知识库如互联网、数据库中检索相关信息。聚合模型将检索到的外部信息与自身内部知识进行融合从而形成一个更全面、更准确的答案。这个过程与RECITE类似但更强调利用外部信息源。【通俗理解】这就像是AI在回答问题前会先去“上网查资料”。它不仅会利用自己大脑里的知识还会去图书馆外部数据库或互联网上搜索相关信息然后把所有这些信息综合起来最终给出一个最全面的答案。例子问题“请解释一下《辛德勒的名单》这部电影在哪些方面获得了奥斯卡奖以及它对历史的影响。”AI的“思考过程”检索模型会去外部知识库检索关于《辛德勒的名单》奥斯卡获奖信息以及相关的历史评论。聚合模型将检索到的信息如获得最佳影片、最佳导演等7项大奖以及它对公众认识大屠杀的影响与自身关于电影的内部知识融合。生成最终生成一个完整的答案既包含获奖细节也包含了其在历史和文化上的深远影响。六模型而非人类生成思考过程【学术原理】在大模型的训练和微调过程中使用由模型本身生成的推理路径而非人类手动编写的来作为训练数据是一种高效的策略。这背后的原因是高质量的人类标注数据昂贵且稀缺而模型可以大规模、快速地生成推理数据。【通俗理解】假设我们需要教一个AI做大量的数学题。让数学老师一道道去写解题步骤会非常耗时耗力。而我们可以让一个表现不错的AI自己去写解题步骤然后用这些步骤去训练一个新模型。这种方法可以大大加快训练速度让AI在短时间内学到更多知识。例子场景训练一个用于复杂数学题解答的大模型。传统方法人类生成雇佣许多数学家为成千上万道数学题编写详细的解题步骤。模型生成方法更高效用一个基础模型生成大量的、包含解题过程的数学题。用自洽性等方法验证这些解题过程的正确性。将这些经过验证的、高质量的“模型思考过程”作为新的训练数据来训练一个更强大的模型。小 结通过以上这些核心技术我们看到大模型正在从一个“快速回答器”进化为一个有能力进行多步逻辑推理的“思考者”。这些推理方法尤其是思维链和自洽性正在让大模型变得更加强大和可信。AI的未来不仅仅是算法的进步更是我们对智能本质的理解。我们正在从一个只做模式识别的AI时代走向一个能够进行复杂推理和解决问题的时代。这些技术的进步正在逐步实现我们对更高级人工智能AGI的期望使其能够处理更复杂、更抽象的任务最终为人类带来更多的价值。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。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】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下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】 大模型如何学会思考？从快思考到深度推理的6大技术原理解析，零基础小白收藏这一篇就够了！！
前言大模型真的很厉害它们不仅能写出复杂的代码解决高难度的奥数题更展现出令人惊叹的思考力。其思考的深度、广度应该超过99%的普通人。大概从GPT o1开始大模型有了深度思考的能力而且这个能力正在飞速地迭代继续变得“更聪明”。今天就来和大家聊一个比较酷的话题大语言模型LLM是如何学会“思考”和推理的希望此文可以给大家一些启发。大模型思考的“快与慢”很多人认为AI的聪明之处在于它能瞬间给出正确答案这似乎是一种超乎人类的直觉。但这种看法其实是一种误解。在大多数情况下大模型直接给出的答案就像是一种“本能反射”。它直接从海量数据中“背诵”或“联想”出一个最可能的答案这更像是记忆力而非真正的推理。▲ 人类的思维的两种模式这种“快思考”虽然高效但难以处理需要多步逻辑的新问题。而真正的推理能力是让AI能够处理那些从未在训练数据中见过的、需要多步逻辑才能解决的新问题。这就像一个人在面对一道全新的数学题时不是靠背诵答案而是通过一步步的逻辑推导来找到解法。这才是我们今天所说的“LLM推理”的核心。大模型的“推理”到底是什么要理解推理我们首先要明白大模型的工作原理。简单来说大模型的核心任务是“猜词”或者称为 词语接龙。它通过学习海量的文本数据来预测给定一串文字后下一个最可能出现的词语在AI领域我们称之为“令牌”或Tokens。举个例子当你输入“太阳从东边”模型会根据它学到的知识预测出“升起”。而大模型的“思考”就是它在生成最终答案之前自己生成一系列的中间令牌。这些令牌不是直接的答案而是用来引导模型走向正确答案的“内部独白”或“思考路径”。以下我们介绍几个与大模型思考和推理能力最密切相关的概念和方法。一中间令牌Tokens的本质与作用【学术原理】在Transformer架构中推理过程中的每一个中间令牌Intermediate Token都是模型基于当前上下文包括输入和之前生成的令牌预测出来的。这些令牌的生成过程是序列化的即一个令牌的出现会影响下一个令牌的概率分布。【通俗理解】想象一下你正在写一篇小说。你每写完一个句子大脑都会思考接下来最可能出现的词语和情节。大模型的中间令牌就像这个过程的具象化。它不是一次性得到最终答案而是通过一步步地“猜”出中间步骤最终构建出完整的推理过程。为什么会生成很多令牌复杂性决定长度对于一个复杂的推理问题比如一个多步数学题它需要更多、更详细的中间步骤才能确保正确。就像人类解题时需要写草稿一样AI也需要足够的“草稿空间”来记录它的思考过程。可解释性这些中间令牌不仅是为了帮助模型得到正确答案也使得模型的推理过程变得可解释Explainable。我们可以通过查看这些中间令牌来理解模型是如何从问题一步步走到答案的。提高准确率研究表明让模型生成更长的、更详细的中间步骤可以显著提高最终答案的准确率。因为这相当于给模型更多的机会去纠正错误、完善逻辑。这就像我们写数学题步骤越详细出错的概率就越低。二思维链Chain-of-Thought, CoT【学术原理】CoT是一种提示工程Prompt Engineering技巧其核心是利用模型的“少样本学习”Few-shot Learning能力。通过在输入中提供一个带有明确推理步骤的例子模型能够被诱导去模仿这个模式从而将一个复杂的、需要多步才能解决的问题分解成一系列更小的、更易于处理的子问题。【通俗理解】 想象一下你的孩子问你“我有3个苹果爸爸比我多2个我们总共有几个”如果你只给一个答案“8”孩子可能不明白。但如果你分步解释“你爸爸比我多2个所以他有 325 个苹果。然后你们俩加起来是 358 个。” 孩子就恍然大悟了。AI也是一样例子1问题“将’artificial intelligence’中每个单词的最后一个字母连接起来。”答案“le”。AI的“思考过程”“artificial”的最后一个字母是“l”。“intelligence”的最后一个字母是“e”。将“l”和“e”连接起来得到“le”。例子2问题“一个正方形的四个顶点分别是(-2, 2), (2, -2), (-2, -6), 和(-6, -2)它的面积是多少”答案32。AI的“思考过程”三自洽性Self-Consistency【学术原理】自洽性是一种基于多数投票的推理方法。其核心思想是一个正确的推理路径应该具有一致性。该方法通过多次采样让模型生成多个不同的CoT推理路径和相应的答案然后选择出现频率最高的答案作为最终结果。【如何判定结果好坏】这就是自洽性的核心价值。在LLM推理中我们有一个关键的经验法则“更高的一致性代表更高的准确性”Higher Consistency Indicates Higher Accuracy。当模型通过不同的思考路径反复得出同一个答案时这个答案的正确率会大大增加。自洽性就是利用这个原理通过大规模的“内部验证”来提升最终结果的质量。【通俗理解】人类在解一个复杂问题时通常会多想几遍确认答案。AI也一样自洽性原理就是让AI对同一个问题生成多个不同的“思维链”然后从中选择出现频率最高的那个答案作为最终答案。这就像一个团队开会讨论最终采纳了大部分人的共识。例子问题“一个农场主每天收16个鸡蛋早餐吃掉3个烤松饼用4个剩下的以2美元一个卖出他每天赚多少钱”AI生成了3个不同的“思考过程”路径1剩下 16−3−49 个鸡蛋。所以每天赚 2×918 美元。路径2她用 2×(16−4−3)26 美元卖出剩下的。路径3吃掉3个后剩 16−313 个。烤松饼后剩 13−49 个。所以每天赚 9×218 美元。最终结果尽管思维路径不同但有两条路径都得到了“18”这个答案。根据自洽性原则模型会选择“18”作为最可信的答案。四RECITE增强生成【学术原理】RECITE是“增强生成”Recitation-augmented Generation的缩写其核心思想是在生成最终答案之前先让模型“背诵”其内部记忆中与问题相关的知识。这使得模型能够从内部记忆中提取和整理关键信息从而提高在闭卷问答任务中的准确性。【通俗理解】就像我们在参加考试前会先在脑子里回顾相关知识点一样。AI在回答一个问题时也会先在大脑里“翻找”一遍把所有相关的知识点都列出来再用这些知识来构建答案。例子问题“爱因斯坦在1905年发表了哪些重要论文”答案爱因斯坦在1905年发表了关于光电效应、布朗运动和狭义相对论的论文。AI的“思考过程”RECITE阶段模型首先从内部记忆中提取知识“1905年是爱因斯坦的奇迹年他发表了关于光电效应、布朗运动和狭义相对论的四篇革命性论文。”生成阶段基于提取的知识模型开始构建答案“爱因斯坦在1905年发表了多篇重要论文其中包括关于光电效应、布朗运动和狭义相对论的论文。这些论文共同奠定了现代物理学的基础。”五聚合与检索Aggregation and Retrieval【学术原理】聚合与检索是LLM推理中的一个关键范式它将LLM的内部知识与外部信息源相结合以增强其推理能力。该范式通常分为两个步骤检索Retrieval和聚合Aggregation。检索模型根据用户输入从外部知识库如互联网、数据库中检索相关信息。聚合模型将检索到的外部信息与自身内部知识进行融合从而形成一个更全面、更准确的答案。这个过程与RECITE类似但更强调利用外部信息源。【通俗理解】这就像是AI在回答问题前会先去“上网查资料”。它不仅会利用自己大脑里的知识还会去图书馆外部数据库或互联网上搜索相关信息然后把所有这些信息综合起来最终给出一个最全面的答案。例子问题“请解释一下《辛德勒的名单》这部电影在哪些方面获得了奥斯卡奖以及它对历史的影响。”AI的“思考过程”检索模型会去外部知识库检索关于《辛德勒的名单》奥斯卡获奖信息以及相关的历史评论。聚合模型将检索到的信息如获得最佳影片、最佳导演等7项大奖以及它对公众认识大屠杀的影响与自身关于电影的内部知识融合。生成最终生成一个完整的答案既包含获奖细节也包含了其在历史和文化上的深远影响。六模型而非人类生成思考过程【学术原理】在大模型的训练和微调过程中使用由模型本身生成的推理路径而非人类手动编写的来作为训练数据是一种高效的策略。这背后的原因是高质量的人类标注数据昂贵且稀缺而模型可以大规模、快速地生成推理数据。【通俗理解】假设我们需要教一个AI做大量的数学题。让数学老师一道道去写解题步骤会非常耗时耗力。而我们可以让一个表现不错的AI自己去写解题步骤然后用这些步骤去训练一个新模型。这种方法可以大大加快训练速度让AI在短时间内学到更多知识。例子场景训练一个用于复杂数学题解答的大模型。传统方法人类生成雇佣许多数学家为成千上万道数学题编写详细的解题步骤。模型生成方法更高效用一个基础模型生成大量的、包含解题过程的数学题。用自洽性等方法验证这些解题过程的正确性。将这些经过验证的、高质量的“模型思考过程”作为新的训练数据来训练一个更强大的模型。小 结通过以上这些核心技术我们看到大模型正在从一个“快速回答器”进化为一个有能力进行多步逻辑推理的“思考者”。这些推理方法尤其是思维链和自洽性正在让大模型变得更加强大和可信。AI的未来不仅仅是算法的进步更是我们对智能本质的理解。我们正在从一个只做模式识别的AI时代走向一个能够进行复杂推理和解决问题的时代。这些技术的进步正在逐步实现我们对更高级人工智能AGI的期望使其能够处理更复杂、更抽象的任务最终为人类带来更多的价值。最后为什么要学AI大模型当下⼈⼯智能市场迎来了爆发期并逐渐进⼊以⼈⼯通⽤智能AGI为主导的新时代。企业纷纷官宣“ AI ”战略为新兴技术⼈才创造丰富的就业机会⼈才缺⼝将达 400 万DeepSeek问世以来生成式AI和大模型技术爆发式增长让很多岗位重新成了炙手可热的新星岗位薪资远超很多后端岗位在程序员中稳居前列。与此同时AI与各行各业深度融合飞速发展成为炙手可热的新风口企业非常需要了解AI、懂AI、会用AI的员工纷纷开出高薪招聘AI大模型相关岗位。最近很多程序员朋友都已经学习或者准备学习 AI 大模型后台也经常会有小伙伴咨询学习路线和学习资料我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频全系列的学习资料这些学习资料不仅深入浅出而且非常实用让大家系统而高效地掌握AI大模型的各个知识点。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】AI大模型系统学习路线在面对AI大模型开发领域的复杂与深入精准学习显得尤为重要。一份系统的技术路线图不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点还能提供一条高效、有序的学习路径。但知道是一回事做又是另一回事初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性在这基础上找到高质量的学习资源不浪费时间、不走弯路又是重中之重。AI大模型入门到实战的视频教程项目包看视频学习是一种高效、直观、灵活且富有吸引力的学习方式可以更直观地展示过程能有效提升学习兴趣和理解力是现在获取知识的重要途径光学理论是没用的要学会跟着一起敲要动手实操才能将自己的所学运用到实际当中去这时候可以搞点实战案例来学习。海量AI大模型必读的经典书籍PDF阅读AI大模型经典书籍可以帮助读者提高技术水平开拓视野掌握核心技术提高解决问题的能力同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说阅读经典书籍是非常有必要的。600AI大模型报告实时更新这套包含640份报告的合集涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师还是对AI大模型感兴趣的爱好者这套报告合集都将为您提供宝贵的信息和启示。AI大模型面试真题答案解析我们学习AI大模型必然是想找到高薪的工作下面这些面试题都是总结当前最新、最热、最高频的面试题并且每道题都有详细的答案面试前刷完这套面试题资料小小offer不在话下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】