1、目錄

1. LLMs 的演變格局
2. 超越文本：擁抱多模態(tài)
3. 思考模型：何時(shí)讓人工智能“思考”
4. 工具使用：互聯(lián)網(wǎng)搜索和深度研究
5. 深度研究：通過(guò)集成搜索和推理生成全面報(bào)告
6. 文件上傳用于文檔和多媒體
7. Python 解釋器：動(dòng)態(tài)代碼執(zhí)行和數(shù)據(jù)分析
8. 自定義視覺(jué)和代碼工具：Claude 工件和光標(biāo)作曲器
9. 音頻交互和 NotebookLM 播客生成
10. 視覺(jué)模態(tài)：圖像輸入/OCR、圖像輸出和視頻處理
11. 個(gè)性化：記憶、自定義指令和自定義 GPTs
12. 初學(xué)者的經(jīng)驗(yàn)教訓(xùn)：最大化你的 LLM 體驗(yàn)
13. 結(jié)束語(yǔ)

2、LLMs 的演變格局

Karpathy 首先描繪了不斷擴(kuò)展的 LLMs 生態(tài)系統(tǒng)。雖然 ChatGPT 仍然是推動(dòng)力量，但他還強(qiáng)調(diào)了 Gemini、Copilot、Claude、Grok 等新興競(jìng)爭(zhēng)對(duì)手，以及 DeepSeek 和 LeChat 等國(guó)際參與者。每個(gè)模型都提供獨(dú)特的功能、定價(jià)層次和體驗(yàn)。

“ChatGPT 是對(duì)話式人工智能的原始黑幫，但生態(tài)系統(tǒng)已經(jīng)發(fā)展成為一個(gè)多樣化的實(shí)驗(yàn)和專業(yè)化的游樂(lè)場(chǎng)，”他解釋道。

LLMs 的演變格局

在播客的過(guò)程中，Karpathy 還提供了一些鏈接，你可以在其中比較和分析這些模型的性能：

• ??https://lmarena.ai??
• ??https://scale.com/leaderboard??

使用這 2 個(gè)鏈接，我們可以跟蹤當(dāng)前可公開(kāi)利用的幾種模型。

3、超越文本：擁抱多模態(tài)

讓我們?cè)谙旅嬖敿?xì)探討多模態(tài)。

?文本生成

在生成文本方面，ChatGPT 等模型在創(chuàng)造性任務(wù)中表現(xiàn)出色，例如寫詩(shī)歌、求職信、簡(jiǎn)歷甚至電子郵件回復(fù)。正如 Karpathy 所說(shuō)，我們與這些模型的互動(dòng)以“聊天氣泡”的形式出現(xiàn)，這些氣泡包含了你與人工智能之間的動(dòng)態(tài)對(duì)話。

文本生成

解密魔法：token 和上下文

每次你輸入查詢時(shí)，模型都會(huì)將你的文本分解為更小的單元塊，稱為 token。你可以使用 OpenAI 的 Tokenizer 或 Tiktokenizer 等工具探索此過(guò)程。這些 token 形成一個(gè)序列，通常稱為 token 序列或上下文窗口，它充當(dāng)人工智能的工作內(nèi)存。

iktokenizer

chatgpt model

在幕后，輸入和輸出序列中還添加了額外的標(biāo)記。這些技術(shù)包括詞性標(biāo)注和命名實(shí)體識(shí)別，類似于你在 Penn Treebank 中找到的內(nèi)容。這些標(biāo)簽有助于模型更好地理解每個(gè)詞的角色和身份。

token 化算法和特殊 token

現(xiàn)代語(yǔ)言模型通常使用字節(jié)對(duì)編碼將單詞拆分為子詞。例如，單詞 “university” 可能被分解為 “uni”、“vers” 和 “ity”。此過(guò)程確保即使是罕見(jiàn)或復(fù)雜的單詞也能以模型可處理的方式表示。

token 化算法和特殊 token

一些重要的特殊 token 包括：

• <|endoftext|>：token 序列的結(jié)束。
• <|user|> 和 <|assistant|>：區(qū)分用戶輸入和人工智能的輸出。

Karpathy 用一個(gè)圖表生動(dòng)地說(shuō)明了這一點(diǎn)，顯示了一個(gè)新的聊天如何從一個(gè)空的 token 流開(kāi)始。一旦你輸入查詢，模型就會(huì)接管，附加自己的 token 流。這個(gè)連續(xù)的流，稱為上下文窗口，代表了指導(dǎo)人工智能響應(yīng)的工作內(nèi)存。

人工智能訓(xùn)練的兩大支柱：預(yù)訓(xùn)練和后訓(xùn)練

╱╲人工智能訓(xùn)練的兩大支柱

“我喜歡把模型想象成一個(gè) 1 TB 的 zip 文件，它充滿了來(lái)自互聯(lián)網(wǎng)的壓縮知識(shí)，但是人類在后訓(xùn)練中的觸碰賦予了它靈魂，”他解釋道。

Transformer 架構(gòu)

LLMs 的核心是 Transformer 架構(gòu)。關(guān)鍵元素包括：

• 自注意力機(jī)制：此機(jī)制允許模型衡量序列中不同 token 的重要性。它計(jì)算注意力得分，以便模型在生成響應(yīng)時(shí)可以專注于輸入的相關(guān)部分。
• 位置編碼：由于 Transformer 缺乏固有的順序信息，因此會(huì)向 token 添加位置編碼以保留單詞的順序。
• 前饋網(wǎng)絡(luò)和層歸一化：這些組件幫助處理注意力輸出并穩(wěn)定訓(xùn)練。

要真正理解這些模型如何生成文本，了解其訓(xùn)練的如下兩個(gè)主要階段至關(guān)重要。

預(yù)訓(xùn)練：將互聯(lián)網(wǎng)壓縮成參數(shù)

在這個(gè)階段，模型處理來(lái)自書籍、網(wǎng)站、代碼存儲(chǔ)庫(kù)和學(xué)術(shù)論文的大量數(shù)據(jù)。把它看作將世界知識(shí)壓縮到參數(shù) “zip 文件” 中：

• 數(shù)據(jù)規(guī)模和來(lái)源：GPT-4 等模型處理的 token 數(shù)量相當(dāng)于數(shù)百萬(wàn)本書或數(shù)十億個(gè)網(wǎng)頁(yè)。
• Transformer 架構(gòu)：這些網(wǎng)絡(luò)通過(guò)順序處理 token 來(lái)學(xué)習(xí)單詞之間的關(guān)系。
• 參數(shù)壓縮：知識(shí)存儲(chǔ)在神經(jīng)網(wǎng)絡(luò)參數(shù)中，充當(dāng)“有損 zip 文件”。這意味著雖然模型保留了一般知識(shí)，但一些細(xì)枝末節(jié)可能會(huì)被省略。
• 概率性質(zhì)：由于模型根據(jù)可能性預(yù)測(cè)下一個(gè) token ，因此有時(shí)會(huì)生成不完全準(zhǔn)確的輸出，通常稱為幻覺(jué)。
• 成本和局限性：預(yù)訓(xùn)練非常昂貴，需要幾個(gè)月的計(jì)算時(shí)間，成本高達(dá)數(shù)千萬(wàn)美元。此過(guò)程還導(dǎo)致知識(shí)截止，這意味著模型的信息僅限于其最后一次訓(xùn)練更新。

后訓(xùn)練：專門用于人類互動(dòng)

預(yù)訓(xùn)練之后，模型經(jīng)過(guò)后訓(xùn)練（或監(jiān)督微調(diào)），學(xué)習(xí)與人類互動(dòng)：

• 人類標(biāo)記數(shù)據(jù)：對(duì)話通過(guò)精選示例進(jìn)行微調(diào)，其中提示與理想響應(yīng)配對(duì)。
• 角色扮演：模型學(xué)會(huì)扮演特定角色，無(wú)論是老師、助手還是客戶支持代理，使其互動(dòng)更加自然。除了記憶，用戶還可以設(shè)置自定義指令來(lái)調(diào)整人工智能的語(yǔ)氣、風(fēng)格和正式程度。此功能在需要語(yǔ)言學(xué)習(xí)或內(nèi)容創(chuàng)建的任務(wù)中特別有用，因?yàn)槁曇舻囊恢滦灾陵P(guān)重要。
• 任務(wù)專業(yè)化：通過(guò)針對(duì)性訓(xùn)練，在問(wèn)答、代碼生成和創(chuàng)意寫作等領(lǐng)域提高了性能。
• 減少幻覺(jué)：雖然不能完全消除，但后訓(xùn)練有助于加強(qiáng)事實(shí)準(zhǔn)確性。

Karpathy 還指出，隨著我們與這些模型的對(duì)話變得越來(lái)越長(zhǎng)，重新開(kāi)始新的聊天以切換主題通常是有益的。這將重置上下文窗口，確保模型的響應(yīng)保持準(zhǔn)確和高效。

模型選擇：找到平衡點(diǎn)

選擇模型時(shí)，必須在成本和性能之間進(jìn)行權(quán)衡：

• 免費(fèi)層：提供適合簡(jiǎn)單任務(wù)（如草擬電子郵件或創(chuàng)意寫作）的基本功能。
• 付費(fèi)層：提供高級(jí)功能，包括更廣泛的知識(shí)、更快的推理和對(duì)互聯(lián)網(wǎng)搜索和代碼執(zhí)行等工具的訪問(wèn)。例如，調(diào)試復(fù)雜代碼的開(kāi)發(fā)人員可能會(huì)選擇 GPT-4，盡管成本較高，而總結(jié)教科書章節(jié)的學(xué)生可能會(huì)發(fā)現(xiàn)免費(fèi)模型已經(jīng)足夠好用。

模型選擇

一個(gè)有趣的個(gè)人技巧來(lái)自于實(shí)驗(yàn)多個(gè)模型。例如，當(dāng)我問(wèn) Gemini 推薦一個(gè)酷城市時(shí)，我得到了 Zermatt 的答案，這是一個(gè)我覺(jué)得很有吸引力的建議。Gemini 的界面左上角有一個(gè)模型選擇器，你可以通過(guò)它升級(jí)到更高級(jí)的層次以提高性能。Grok 也是如此：我更喜歡使用 Grok 3，因?yàn)樗亲钕冗M(jìn)的版本。實(shí)際上，我經(jīng)常為多個(gè)模型付費(fèi)，并向它們?cè)儐?wèn)同一個(gè)問(wèn)題，將它們視為我的個(gè)人 “LLM 委員會(huì)”。這樣，我可以比較響應(yīng)并決定哪個(gè)模型最適合我的需求，無(wú)論我是在計(jì)劃度假還是解決技術(shù)問(wèn)題。

關(guān)鍵要點(diǎn)是，為你正在處理的特定挑戰(zhàn)嘗試不同的提供商和定價(jià)層次。通過(guò)這種方式，你可以找到最適合你工作流程的模型，甚至利用多個(gè)模型獲得全面的視角。

解碼和采樣技術(shù)

在生成文本時(shí)，模型并不是每次都簡(jiǎn)單地選擇可能性最高的 token 。相反，它使用各種解碼策略：

• 核采樣（Top-p 采樣）：模型從累積概率達(dá)到閾值的 token 子集中進(jìn)行選擇。
• Top-k 采樣：將選擇限制為可能性最高的前 k 個(gè) token 。
• 束搜索：并行探索多個(gè)可能的 token 序列，以找到最連貫的輸出。

通過(guò)外部工具增強(qiáng)功能

現(xiàn)代 LLMs 不僅僅是生成文本，它們還可以集成外部工具以提升其功能：

• 互聯(lián)網(wǎng)搜索：獲取最新信息以克服知識(shí)截止。

“當(dāng)我閱讀《國(guó)富論》時(shí)，模型通過(guò)總結(jié)章節(jié)和回答我的澄清問(wèn)題來(lái)幫助我理解其中的微妙之處。這就像有一個(gè)知識(shí)淵博的學(xué)習(xí)伙伴，”他說(shuō)。

• Python 解釋器：執(zhí)行計(jì)算、數(shù)據(jù)分析和可視化。他展示了如何使用此功能繪制公司估值隨時(shí)間變化的趨勢(shì)，同時(shí)還提醒用戶驗(yàn)證人工智能生成代碼中的任何假設(shè)。

“當(dāng)一個(gè)乘法問(wèn)題變得太復(fù)雜而無(wú)法在腦海中解決時(shí)，模型只需編寫一個(gè) Python 腳本并運(yùn)行它。這就像有一個(gè)初級(jí)數(shù)據(jù)分析師在手邊，” Karpathy 解釋道。

• 文件上傳：允許處理 PDF 或電子表格等文檔，從而生成詳細(xì)的摘要和數(shù)據(jù)提取。

?圖像生成和視頻集成

Karpathy 展示了 LLMs 正在超越文本。他展示了如何通過(guò)將字幕系統(tǒng)與專用圖像生成模型（例如 ideogram.ai）結(jié)合，按需生成視覺(jué)效果。他指出，這種技術(shù)“縫合”了兩個(gè)獨(dú)立的模型，以便用戶體驗(yàn)保持無(wú)縫，即使底層過(guò)程是獨(dú)立的。

“圖像輸出并不是完全在模型中完成的。這是字幕和單獨(dú)的圖像生成器之間的一次美麗合作，”他說(shuō)。

此外，Karpathy 還介紹了視頻功能，其中模型可以通過(guò)攝像頭“看到”。在一個(gè)演示中，他將攝像頭對(duì)準(zhǔn)日常物品：一本書的封面、一張?jiān)敿?xì)的地圖，模型正確識(shí)別并評(píng)論了每個(gè)物品。所有這些都將在后面詳細(xì)解釋。

?語(yǔ)音和音頻功能

語(yǔ)音交互是視頻的一個(gè)重要亮點(diǎn)。Karpathy 解釋說(shuō)，在移動(dòng)設(shè)備上，用戶可以通過(guò)說(shuō)話而不是打字來(lái)提問(wèn)。除了簡(jiǎn)單的轉(zhuǎn)錄之外，高級(jí)模式還允許模型以各種“角色”生成音頻響應(yīng)，從 Yoda 的智慧語(yǔ)調(diào)到粗魯?shù)暮１I口音。

“不要打字，用你的聲音。這樣很快，有時(shí)甚至更有趣，當(dāng)人工智能用有個(gè)性的語(yǔ)氣回答你時(shí)，” 他說(shuō)。

他進(jìn)一步區(qū)分了“假音頻”（將語(yǔ)音轉(zhuǎn)換為文本，然后再轉(zhuǎn)換回來(lái)）和“真音頻”，后者直接對(duì)音頻進(jìn)行標(biāo)記。真音頻處理通過(guò)消除中間步驟，使互動(dòng)更加流暢和自然，代表了一次飛躍。所有這些都將在后面詳細(xì)解釋。

?日常互動(dòng)和實(shí)際問(wèn)題解決

Karpathy 分享了幾個(gè)實(shí)際示例，從計(jì)算飲料中的咖啡因含量到交互式代碼故障排除。這些日常用例展示了無(wú)縫集成的人工智能工具如何在日常生活中提高生產(chǎn)力和決策能力。

“我曾經(jīng)問(wèn)過(guò) ChatGPT 一杯美式咖啡中含有多少咖啡因。它迅速回憶起大約 63 毫克，這是一個(gè)簡(jiǎn)單但強(qiáng)大的日常人工智能輔助示例，” 他解釋道。

?高級(jí)數(shù)據(jù)分析和可視化

除了日常任務(wù)之外，Python 解釋器的集成將人工智能變成了一名稱職的數(shù)據(jù)分析師。無(wú)論是從財(cái)務(wù)數(shù)據(jù)生成趨勢(shì)線，還是調(diào)試復(fù)雜代碼，這些功能為專業(yè)人士和愛(ài)好者提供了巨大的價(jià)值。

“想象一下，有一個(gè)初級(jí)數(shù)據(jù)分析師不僅為你編寫代碼，還實(shí)時(shí)可視化數(shù)據(jù)趨勢(shì)。這就是集成工具使用的力量，” Karpathy 斷言。

4、思考模型：何時(shí)讓人工智能“思考”

現(xiàn)代 LLMs 中最令人著迷的進(jìn)步之一是“思考模型”的出現(xiàn)。這些模型旨在通過(guò)有效地“大聲思考”來(lái)解決復(fù)雜問(wèn)題，就像人類在解決難題時(shí)一樣。

?訓(xùn)練之旅：從預(yù)訓(xùn)練到強(qiáng)化學(xué)習(xí)

Karpathy 解釋說(shuō)，LLMs 的開(kāi)發(fā)包括多個(gè)階段：

• 預(yù)訓(xùn)練：模型從互聯(lián)網(wǎng)上吸收大量數(shù)據(jù)，學(xué)習(xí)預(yù)測(cè)序列中的下一個(gè) token 。
• 監(jiān)督微調(diào)：人類策劃的對(duì)話幫助塑造模型的響應(yīng)，使其更具互動(dòng)性和友好性。
• 強(qiáng)化學(xué)習(xí)（RL）：這就是事情變得有迷的地方。模型在一大堆問(wèn)題上進(jìn)行練習(xí)，這些問(wèn)題從數(shù)學(xué)難題到編碼挑戰(zhàn)，類似于教科書練習(xí)。通過(guò)這種練習(xí)，它開(kāi)始發(fā)現(xiàn)有效的“思考策略”。這些策略模仿內(nèi)心獨(dú)白，模型在其中探索不同的想法，回溯并重新審視其假設(shè)，以得出解決方案。

?發(fā)現(xiàn)“思考”過(guò)程

強(qiáng)化學(xué)習(xí)階段相對(duì)較新，僅在過(guò)去幾年中出現(xiàn)，被視為一次突破。這是模型學(xué)習(xí)在給出答案之前“思考”的階段。與其急于得出最終 token ，思考模型可能會(huì)生成一系列內(nèi)部推理步驟，指導(dǎo)其得出更準(zhǔn)確的解決方案。

DeepSeek 是第一個(gè)公開(kāi)討論這一概念的公司，他們發(fā)表了一篇關(guān)于通過(guò)強(qiáng)化學(xué)習(xí)激勵(lì) LLMs 推理能力的論文，我們?cè)谥暗囊曨l中探討過(guò)這篇論文。這一強(qiáng)化學(xué)習(xí)的突破使模型能夠優(yōu)化其內(nèi)部推理，這是人類標(biāo)注者以前難以通過(guò)硬編碼實(shí)現(xiàn)的過(guò)程。

具體示例

以下是我個(gè)人經(jīng)歷的一個(gè)具體示例：

他曾經(jīng)在優(yōu)化多層感知器的梯度檢查失敗的編碼問(wèn)題上遇到困難。他復(fù)制并粘貼代碼，然后尋求建議。起初，GPT-4.0（OpenAI 的旗艦最強(qiáng)大的模型）在沒(méi)有思考的情況下做出了回應(yīng)。它列出了幾個(gè)潛在的問(wèn)題和調(diào)試技巧，但沒(méi)有一個(gè)建議能夠準(zhǔn)確指出核心問(wèn)題。模型只是提供了一般性建議，而不是解決問(wèn)題。

然后，他切換到 OpenAI 的一個(gè)思考模型，該模型可以通過(guò)下拉菜單獲得，包括 O1、O3 Mini、O3 Mini High 和 O1 Pro（后者是高級(jí)訂閱用戶的最高級(jí)版本）。OpenAI 的思考模型通過(guò)強(qiáng)化學(xué)習(xí)進(jìn)行了調(diào)整。當(dāng)他問(wèn)同一個(gè)問(wèn)題時(shí)，思考模型花了一些時(shí)間，發(fā)出了一系列詳細(xì)的內(nèi)部推理步驟（其“思考過(guò)程”的總結(jié)）。大約一分鐘后，它確定問(wèn)題是由于參數(shù)不匹配引起的。這種額外的思考使其能夠準(zhǔn)確解決問(wèn)題。這個(gè)模型花了一分鐘生成了一個(gè)詳細(xì)的內(nèi)部思維鏈，最終確定我在打包和解包過(guò)程中參數(shù)不匹配。結(jié)果？在經(jīng)過(guò)一系列反思步驟之后，得出了一個(gè)正確的解決方案。

?LLM 委員會(huì)

他不依賴單一模型。他經(jīng)常向多個(gè)模型詢問(wèn)同一個(gè)問(wèn)題，將它們視為他的個(gè)人 “LLM 委員會(huì)”。例如，雖然一個(gè)模型可能會(huì)以標(biāo)準(zhǔn)響應(yīng)迅速解決問(wèn)題，但另一個(gè)更高級(jí)的思考模型可能會(huì)花費(fèi)幾分鐘，但會(huì)提供一個(gè)高度準(zhǔn)確且經(jīng)過(guò)深思熟慮的答案。這種方法在解決復(fù)雜的數(shù)學(xué)問(wèn)題或復(fù)雜的代碼調(diào)試時(shí)特別有用。

我還嘗試了其他模型：

• Claude：當(dāng)我向 Claude 提供相同的提示時(shí)，它正確識(shí)別并解決了問(wèn)題，盡管其方法與其他模型不同。
• Gemini：Gemini 也提供了正確的答案，有時(shí)甚至不需要任何額外的“思考”時(shí)間。
• Grok 3：Grok 3 在經(jīng)過(guò)一段時(shí)間的內(nèi)部“思考”之后，也提供了一個(gè)堅(jiān)實(shí)的解決方案。
• Perplexity.ai (DeepSeek R1)：該模型甚至?xí)@示其內(nèi)部推理的片段（原始思想），如果你展開(kāi)它們，可以了解其解決問(wèn)題的過(guò)程。

Perplexity 的思考過(guò)程

對(duì)于日常查詢（例如旅行建議），非思考模型可能因其速度而更受歡迎。然而，對(duì)于深入的技術(shù)或關(guān)鍵任務(wù)，切換到思考模型可以顯著提高準(zhǔn)確性和性能。

?何時(shí)使用思考模型

思考模型在以下任務(wù)中最為有益：

• 復(fù)雜的數(shù)學(xué)問(wèn)題：當(dāng)簡(jiǎn)單的算術(shù)不夠用時(shí)。
• 復(fù)雜的代碼調(diào)試：對(duì)于可能隱藏在邏輯層中的微妙問(wèn)題。
• 深度推理任務(wù)：需要一系列思考過(guò)程才能得出正確答案的問(wèn)題。

對(duì)于日常查詢，例如旅行建議或快速事實(shí)核查，標(biāo)準(zhǔn)的非思考模型可能因其更快的響應(yīng)時(shí)間而更受歡迎。然而，如果準(zhǔn)確性至關(guān)重要且問(wèn)題本質(zhì)上復(fù)雜，切換到思考模型是值得的。

5、工具使用：互聯(lián)網(wǎng)搜索和深度研究

現(xiàn)代 LLMs 通過(guò)與外部工具集成，克服了靜態(tài)知識(shí)的局限性：

?互聯(lián)網(wǎng)搜索：訪問(wèn)實(shí)時(shí)信息

到目前為止，我們與 LLMs 的互動(dòng)僅限于文本，即預(yù)訓(xùn)練數(shù)據(jù)的 “zip 文件”，它提供了 token 。然而，現(xiàn)實(shí)世界的應(yīng)用要求這些模型訪問(wèn)新鮮、最新的信息。這就是互聯(lián)網(wǎng)搜索的用武之地。

雖然傳統(tǒng)的 LLM 互動(dòng)僅依賴預(yù)訓(xùn)練知識(shí)，即靜態(tài)數(shù)據(jù)的 “zip 文件”，但互聯(lián)網(wǎng)搜索的集成將這些模型轉(zhuǎn)變?yōu)閯?dòng)態(tài)信息中心。模型不再需要手動(dòng)篩選搜索結(jié)果并躲避分散注意力的廣告，而是可以主動(dòng)檢索最新信息，將其集成到其工作內(nèi)存中，并準(zhǔn)確回答你的查詢。

?工作原理

• 觸發(fā)搜索：當(dāng)模型識(shí)別到你的查詢涉及最新或不斷發(fā)展的信息時(shí)，它會(huì)發(fā)出一個(gè)特殊的搜索 token 。這會(huì)指示應(yīng)用程序暫停常規(guī) token 生成并啟動(dòng)網(wǎng)絡(luò)搜索。
• 執(zhí)行搜索：模型生成的查詢用于搜索互聯(lián)網(wǎng)。系統(tǒng)訪問(wèn)多個(gè)網(wǎng)頁(yè)，提取相關(guān)文本，并編譯信息。
• 集成結(jié)果：檢索到的內(nèi)容隨后被注入到模型的上下文窗口和工作內(nèi)存中，以便人工智能可以提供一個(gè)豐富了最新數(shù)據(jù)和適當(dāng)引用的答案。

token

例如，如果你問(wèn)“《白蓮花》第 3 季的新劇集什么時(shí)候播出？”模型會(huì)發(fā)現(xiàn)這些信息不在其預(yù)訓(xùn)練數(shù)據(jù)中。然后，它會(huì)搜索網(wǎng)絡(luò)，將結(jié)果文章加載到上下文中，并為你提供最新的時(shí)間表以及驗(yàn)證鏈接。

?特定于模型的行為

不同的模型具有不同程度的互聯(lián)網(wǎng)搜索集成：

• Claude：截至我最后一次更新（2024 年 4 月），Claude 不支持集成網(wǎng)絡(luò)搜索。它僅依賴其知識(shí)截止到那時(shí)，因此它會(huì)直接說(shuō)不知道。
• Gemini：例如，Gemini 2.0 Pro Experimental 可能沒(méi)有完全訪問(wèn)實(shí)時(shí)信息，而 Gemini 2.0 Flash 顯示的來(lái)源和相關(guān)內(nèi)容表明其具有內(nèi)置搜索工具。
• ChatGPT：在某些情況下，ChatGPT 會(huì)自動(dòng)檢測(cè)到需要搜索；在其他情況下，你可能需要顯式選擇“搜索網(wǎng)絡(luò)”選項(xiàng)。
• Perplexity.ai：以其強(qiáng)大的搜索集成而聞名，Perplexity 通常會(huì)檢索并顯示實(shí)時(shí)數(shù)據(jù)以及引用，使其成為類似于 Google 搜索的查詢的熱門選擇。

?現(xiàn)實(shí)世界的用例

我經(jīng)常使用互聯(lián)網(wǎng)搜索工具進(jìn)行各種查詢：

• 當(dāng)前事件和趨勢(shì)：例如，檢查總統(tǒng)日市場(chǎng)是否開(kāi)放 Perplexity 迅速確認(rèn)其已關(guān)閉。
• 小眾信息：例如，“《白蓮花》第 3 季在哪里拍攝？”或 “Vercel 是否提供 PostgreSQL？”這些問(wèn)題可以從最新的在線數(shù)據(jù)中受益。
• 動(dòng)態(tài)更新：關(guān)于蘋果發(fā)布、股票波動(dòng)（例如，“為什么 Palantir 的股票在上漲？”）或甚至具體問(wèn)題（例如，“Brian Johnson 使用哪種牙膏？”）的詢問(wèn)都非常適合搜索工具，因?yàn)檫@些細(xì)節(jié)可能會(huì)隨著時(shí)間的推移而發(fā)生變化。
• 熱門話題：當(dāng)我在 Twitter 上看到關(guān)于 USAID 或最新旅行建議的嗡嗡聲時(shí)，快速搜索可以為我提供當(dāng)前上下文的摘要，而無(wú)需手動(dòng)單擊多個(gè)鏈接。

?實(shí)用技巧

• 明確：有時(shí)，直接提示模型“搜索網(wǎng)絡(luò)……”以確保其檢索實(shí)時(shí)數(shù)據(jù)是有幫助的。
• 交叉驗(yàn)證：始終檢查提供的引用以確認(rèn)信息的準(zhǔn)確性。
• 模型選擇：并非每個(gè)模型都配備了互聯(lián)網(wǎng)搜索。根據(jù)你的需求，選擇支持實(shí)時(shí)數(shù)據(jù)的模型（例如，帶搜索選項(xiàng)的 ChatGPT 或 Perplexity.ai），或者準(zhǔn)備好在模型之間切換以獲得全面的答案。

6、深度研究：通過(guò)集成搜索和推理生成全面報(bào)告

深度研究使 LLMs 能夠超越表面答案，通過(guò)將廣泛的互聯(lián)網(wǎng)搜索與高級(jí)推理相結(jié)合，生成全面的報(bào)告。此過(guò)程允許模型從各種來(lái)源收集、處理和綜合信息，幾乎就像為任何主題生成自定義研究論文一樣。

?工作原理

當(dāng)你激活深度研究（通常是高級(jí)訂閱功能，例如每月 200 美元）時(shí)，模型會(huì)開(kāi)始一個(gè)擴(kuò)展的過(guò)程：

• 啟動(dòng)：你提供一個(gè)詳細(xì)的提示。例如，考慮以下提示：“CAAKG 是 Brian Johnson 的長(zhǎng)壽配方中每份 2.5 克的健康活性成分之一。你能研究一下 CAAKG 嗎？告訴我它為什么可能在長(zhǎng)壽混合物中找到，其在人類或動(dòng)物模型中的可能效力，其潛在的作用機(jī)制以及任何安全性或毒性問(wèn)題?！?/li>
• 澄清問(wèn)題：在深入研究之前，模型可能會(huì)詢問(wèn)澄清問(wèn)題，例如是否要專注于人類臨床研究、動(dòng)物模型或兩者兼而有之，以細(xì)化其搜索策略。
• 多源查詢：然后，模型會(huì)發(fā)出多個(gè)互聯(lián)網(wǎng)搜索查詢。它掃描學(xué)術(shù)論文、臨床研究和可信網(wǎng)頁(yè)，積累來(lái)自多個(gè)來(lái)源的文本。這些文檔隨后被插入到其上下文窗口中，這是一個(gè)巨大的工作內(nèi)存，可以容納數(shù)千個(gè) token 。
• 綜合：一旦研究階段完成（對(duì)于復(fù)雜查詢，可能需要約 10 分鐘），模型會(huì)將收集到的數(shù)據(jù)綜合成一個(gè)連貫的報(bào)告。它生成詳細(xì)的摘要，包括引用以供驗(yàn)證，甚至突出顯示關(guān)鍵點(diǎn)，例如在各種模型（蠕蟲、果蠅、小鼠和正在進(jìn)行的人類試驗(yàn)）中提出的建議作用機(jī)制、效力研究以及潛在的安全問(wèn)題。

llm token

?技術(shù)方面

• 迭代搜索：深度研究利用迭代互聯(lián)網(wǎng)搜索和內(nèi)部“思考”步驟。模型使用強(qiáng)化學(xué)習(xí)策略來(lái)決定哪些來(lái)源最相關(guān)以及如何將它們編織成一個(gè)結(jié)構(gòu)化的響應(yīng)。
• 上下文積累：隨著模型檢索信息，每個(gè)文檔的內(nèi)容都會(huì)添加到上下文窗口中。這個(gè)龐大的 token 存儲(chǔ)庫(kù)允許模型同時(shí)引用多個(gè)來(lái)源。
• 引用集成：最終報(bào)告附帶引用，使你可以驗(yàn)證每個(gè)信息片段。這在模型的輸出是概率性的并且有時(shí)可能包含幻覺(jué)或不準(zhǔn)確之處時(shí)尤為重要。
• 鏈?zhǔn)剿伎继幚恚涸谡麄€(gè)過(guò)程中，模型可能會(huì)揭示其內(nèi)部推理的片段（如果你展開(kāi)它們），說(shuō)明它如何將不同的數(shù)據(jù)片段連接起來(lái)得出結(jié)論。

?實(shí)踐中的示例

• 補(bǔ)充研究：在上述關(guān)于 CAAKG 的提示示例中，模型處理了數(shù)十篇研究論文、臨床研究和綜述文章。然后，它生成了一份詳細(xì)報(bào)告，概述：

a.CAAKG 為什么可能包含在長(zhǎng)壽混合物中。

b.其在人類和動(dòng)物模型中的效力。

c.建議的作用機(jī)制。

d.任何潛在的安全性或毒性問(wèn)題。

深度搜索

• 行業(yè)比較：他還使用深度研究來(lái)比較產(chǎn)品，例如研究小鼠的壽命延長(zhǎng)。模型提供了一個(gè)廣泛的概述，討論了各種長(zhǎng)壽實(shí)驗(yàn)，同時(shí)編譯了來(lái)自多個(gè)來(lái)源的數(shù)據(jù)。
• LLM 實(shí)驗(yàn)室分析：在另一個(gè)用例中，他要求一個(gè)表格，比較美國(guó)的 LLM 實(shí)驗(yàn)室，包括資金水平和公司規(guī)模。雖然生成的表格有一些遺漏（例如 XAI）和意外的包含（例如 Hugging Face），但它仍然為進(jìn)一步調(diào)查提供了一個(gè)有價(jià)值的起點(diǎn)。

?實(shí)用考慮

• 初稿，而非最終稿：始終將深度研究輸出視為初稿。使用提供的引用作為進(jìn)一步閱讀和后續(xù)問(wèn)題的指南。
• 不同的深度：不同平臺(tái)提供的深度研究深度不同。例如，我的經(jīng)驗(yàn)表明，Chachapiti 的提供目前是最全面的，而 Perplexity.ai 和 Grok 提供的摘要較短。
• 延長(zhǎng)的處理時(shí)間：準(zhǔn)備好長(zhǎng)時(shí)間的處理時(shí)間（有時(shí)超過(guò) 10 分鐘），因?yàn)槟Ｐ褪占途C合大量數(shù)據(jù)。

7、文件上傳用于文檔和多媒體

文件上傳使 LLMs 能夠通過(guò)將外部文檔和多媒體文件直接集成到其工作內(nèi)存中來(lái)擴(kuò)展其上下文。例如，如果你對(duì)藝術(shù)學(xué)院最近發(fā)表的關(guān)于在 DNA 上訓(xùn)練的語(yǔ)言模型的論文感到好奇，你可以簡(jiǎn)單地將 PDF（甚至大小為 30 MB 的 PDF）拖放到模型的界面中。通常，模型會(huì)將文檔轉(zhuǎn)換為文本 token ，通常會(huì)丟棄非文本元素（如圖像）。一旦在 token 窗口中，你可以請(qǐng)求摘要、提出詳細(xì)問(wèn)題或深入探討文檔的特定部分。這使得你可以與人工智能一起“閱讀”論文，并以互動(dòng)方式探索其內(nèi)容。

“上傳文檔就像將你的個(gè)人圖書館交給人工智能。然后，它可以篩選信息并幫助你理解所需的細(xì)節(jié)，這正是你在處理復(fù)雜研究論文時(shí)所需要的，” Karpathy 在演講中說(shuō)。

文件上傳用于文檔和多媒體

?現(xiàn)實(shí)世界的示例和用例

考慮一個(gè)場(chǎng)景，你正在審查基因組序列分析的突破性研究。通過(guò)直接將 PDF 上傳到系統(tǒng)，你可以問(wèn)模型“你能總結(jié)這項(xiàng)研究中使用的方法嗎？”模型會(huì)將論文轉(zhuǎn)換為 token ，處理關(guān)鍵部分，并為你提供一個(gè)連貫的摘要，附帶引用。這種方法不僅限于學(xué)術(shù)論文；它還適用于產(chǎn)品手冊(cè)、法律文件甚至長(zhǎng)篇報(bào)告，例如血液測(cè)試結(jié)果。

例如，我最近上傳了我的 20 頁(yè)血液測(cè)試報(bào)告。模型轉(zhuǎn)錄了結(jié)果，使我能夠問(wèn)“這些膽固醇水平對(duì)我的健康意味著什么？”這種兩步過(guò)程，首先驗(yàn)證轉(zhuǎn)錄準(zhǔn)確性，然后提出詳細(xì)問(wèn)題，確保了所獲得的見(jiàn)解盡可能可靠。

8、Python 解釋器：動(dòng)態(tài)代碼執(zhí)行和數(shù)據(jù)分析

現(xiàn)代 LLMs 現(xiàn)在集成了 Python 解釋器，將它們轉(zhuǎn)變?yōu)閯?dòng)態(tài)、互動(dòng)式編碼助手。此功能使模型能夠生成、執(zhí)行甚至調(diào)試 Python 代碼，實(shí)時(shí)進(jìn)行，就在你的對(duì)話中。

“Python 解釋器集成是一個(gè)改變游戲規(guī)則的功能。你不再需要在聊天窗口和 IDE 之間切換，你可以在一個(gè)無(wú)縫體驗(yàn)中獲得代碼、其輸出甚至是可視化圖表，” Karpathy 在演示中解釋道。

?實(shí)踐中的工作原理

當(dāng)你遇到復(fù)雜問(wèn)題，例如調(diào)試多層感知器的梯度檢查失敗時(shí)，模型可以自動(dòng)生成 Python 代碼來(lái)診斷問(wèn)題。例如，你可能會(huì)問(wèn)“你能幫我調(diào)試這個(gè)梯度檢查失敗嗎？”模型生成模擬錯(cuò)誤場(chǎng)景的代碼，執(zhí)行它，然后在聊天中直接返回詳細(xì)輸出，例如錯(cuò)誤消息和變量狀態(tài)。

在另一個(gè)案例中，我需要繪制 2023 年的銷售趨勢(shì)圖。我只需請(qǐng)求“生成 2023 年銷售數(shù)據(jù)的圖表，”模型編寫并執(zhí)行必要的 Python 腳本。生成的圖表隨即顯示，帶有注釋和趨勢(shì)，節(jié)省了我手動(dòng)編碼的麻煩。

Python 解釋器

?擴(kuò)展用例

• 數(shù)據(jù)可視化：除了基本圖表之外，解釋器還可以生成復(fù)雜的可視化效果，例如熱圖、散點(diǎn)圖或時(shí)間序列圖。這在快速數(shù)據(jù)分析中特別有用，而無(wú)需離開(kāi)聊天界面。
• 算法測(cè)試：如果你正在嘗試機(jī)器學(xué)習(xí)模型，你可以讓解釋器運(yùn)行模擬并甚至比較不同模型的性能。
• 調(diào)試輔助：在處理復(fù)雜代碼錯(cuò)誤時(shí)，模型的逐步執(zhí)行有助于找出在大型代碼庫(kù)中可能難以發(fā)現(xiàn)的問(wèn)題。

9、自定義視覺(jué)和代碼工具：Claude 工件和光標(biāo)作曲器

現(xiàn)代 LLMs 已經(jīng)不僅僅是文本生成器，它們還是創(chuàng)意工作室。使用 Claude 工件，你可以構(gòu)建自定義小應(yīng)用程序或生成交互式圖表。例如，想象一下，你需要一個(gè)項(xiàng)目的流程圖。通過(guò)幾個(gè)明確的提示，Claude 工件可以生成一個(gè)圖表，將你的想法以視覺(jué)方式組織起來(lái)。正如 Karpathy 所指出的那樣，“Claude 工件不僅僅提供純文本，它還提供交互式視覺(jué)效果，使你的概念栩栩如生?！?/p>

adam smith 閃卡

此外，Cursor: Composer 作為你的實(shí)時(shí)編碼助手。無(wú)論你是在編寫新代碼還是調(diào)試錯(cuò)誤，Cursor: Composer 都可以生成、編輯甚至可視化代碼片段。例如，當(dāng)我在原型設(shè)計(jì)一個(gè)新的 Web 應(yīng)用程序時(shí)，我只需輸入“生成一個(gè)響應(yīng)式布局在 React，” 該工具不僅生成了代碼，還突出顯示了不同組件的交互方式。這種無(wú)縫集成加快了開(kāi)發(fā)速度，同時(shí)幫助你逐步了解底層邏輯。

Cursor Composer

10、音頻交互和 NotebookLM 播客生成

現(xiàn)代 LLMs 中的音頻功能顯著增強(qiáng)了用戶互動(dòng)。使用標(biāo)準(zhǔn)的 音頻輸入/輸出，你可以通過(guò)說(shuō)話而不是打字來(lái)提問(wèn)。例如，你可能會(huì)問(wèn)“天為什么是藍(lán)色的？”并獲得文本和音頻響應(yīng)。Karpathy 指出，“語(yǔ)音輸入讓你感覺(jué)像是在與朋友交談，而模型則專心聽(tīng)著。”

高級(jí)語(yǔ)音模式 更進(jìn)一步，通過(guò)直接對(duì)音頻進(jìn)行標(biāo)記來(lái)處理音頻。與其先將語(yǔ)音轉(zhuǎn)換為文本，再轉(zhuǎn)換回來(lái)，模型通過(guò)頻譜直接對(duì)音頻進(jìn)行標(biāo)記。這意味著它可以捕捉語(yǔ)調(diào)和語(yǔ)氣中的微妙之處。想象一下，你問(wèn)“用 Yoda 的聲音講個(gè)笑話，”然后聽(tīng)到“智慧的見(jiàn)解我將分享，嗯嗯，有趣，它是?！?/p>

補(bǔ)充這些功能的是 NotebookLM，它通過(guò)上傳的文檔生成自定義播客。例如，上傳一篇關(guān)于基因組分析的 30 MB 研究論文后，你可能會(huì)問(wèn)“你能生成一個(gè)總結(jié)這篇論文關(guān)鍵點(diǎn)的播客嗎？”幾分鐘內(nèi)，NotebookLM 綜合內(nèi)容并生成一個(gè) 30 分鐘的音頻摘要，你可以在通勤時(shí)收聽(tīng)。

音頻交互和 NotebookLM 播客生成

11、視覺(jué)模態(tài)：圖像輸入/OCR、圖像輸出和視頻處理

圖像輸入與 OCR 允許你將照片和屏幕截圖轉(zhuǎn)換為可搜索的文本。例如，當(dāng)我上傳了一種健康補(bǔ)充劑的營(yíng)養(yǎng)標(biāo)簽時(shí)，我問(wèn)“關(guān)鍵成分是什么，為什么包含它們？”模型成功提取了文本，并解釋了每個(gè)組成部分，包括安全等級(jí)。

上下文窗口

圖像輸出

圖像輸出工具，例如 DALL-E 和 Ideogram，允許你生成自定義視覺(jué)效果。你可以提示模型，例如“生成一幅以賽博朋克風(fēng)格描繪今日頭條的藝術(shù)作品，”然后觀看人工智能創(chuàng)建一個(gè)圖像，以視覺(jué)方式概括新聞。Karpathy 指出，“看到今日頭條的標(biāo)題變成一幅令人驚嘆的藝術(shù)作品是多么有趣?！?/p>

視頻輸入 進(jìn)一步推動(dòng)了視覺(jué)處理。使用你的攝像頭，你可以進(jìn)行指點(diǎn)交談。例如，如果你將手機(jī)對(duì)準(zhǔn)一本書的封面，你可能會(huì)問(wèn)“這本書的標(biāo)題是什么？”模型會(huì)分析視覺(jué)快照并提供準(zhǔn)確答案。同時(shí)，視頻輸出 系統(tǒng)，例如 Sora 或 Veo 2，可以將文本描述轉(zhuǎn)換為動(dòng)態(tài)視頻剪輯，從而生成引人入勝的視頻摘要或教程。

12、個(gè)性化：記憶、自定義指令和自定義 GPTs

個(gè)性化是使與 LLMs 的互動(dòng)真正屬于你的關(guān)鍵。這些功能確保人工智能不僅響應(yīng)你的查詢，還適應(yīng)你獨(dú)特的風(fēng)格和反復(fù)的需求。

?記憶：跨對(duì)話保留上下文

LLMs 可以在記憶庫(kù)中存儲(chǔ)來(lái)自過(guò)去互動(dòng)的關(guān)鍵細(xì)節(jié)，并將其附加到未來(lái)的上下文窗口中。這意味著隨著時(shí)間的推移，模型會(huì)了解你的偏好和習(xí)慣。例如，如果你提到你喜歡的電影類型或特定的研究興趣，未來(lái)的對(duì)話將自動(dòng)反映這些知識(shí)。“這就像模型逐漸了解你，形成一個(gè)個(gè)性化的對(duì)話，隨著互動(dòng)的增加而不斷發(fā)展，” Karpathy 觀察到。

?自定義指令：塑造人工智能行為

自定義指令允許你定義希望模型如何響應(yīng)的確切方式。你可以指定語(yǔ)氣、冗長(zhǎng)度甚至特定任務(wù)的規(guī)則。無(wú)論你需要模型以簡(jiǎn)單的術(shù)語(yǔ)解釋復(fù)雜主題，還是在翻譯中采用特定風(fēng)格，這些指令都會(huì)注入到每次對(duì)話中，確保一致性和個(gè)性化體驗(yàn)。

自定義指令

?自定義 GPTs：構(gòu)建特定任務(wù)的模型

自定義 GPTs 允許你為重復(fù)任務(wù)創(chuàng)建專門版本的模型。想象一下，擁有一個(gè)專門的助手來(lái)學(xué)習(xí)語(yǔ)言，它可以提取詞匯并創(chuàng)建閃卡，或者一個(gè)編碼助手，它可以始終生成準(zhǔn)確的代碼片段。通過(guò)提供幾個(gè)示例，你可以通過(guò)少量提示構(gòu)建一個(gè)自定義模型，節(jié)省時(shí)間并提供更精確的結(jié)果?！白远x GPTs 就像擁有一個(gè)個(gè)性化的、特定任務(wù)的助手，它完全符合你的需求，” Karpathy 解釋道。

示例

ocr 結(jié)果

13、初學(xué)者的經(jīng)驗(yàn)教訓(xùn)：最大化你的 LLM 體驗(yàn)

對(duì)于那些剛剛起步的人，Karpathy 的見(jiàn)解為充分發(fā)揮 LLMs 潛力提供了明確的路徑：

• 理解 token 化：了解你的輸入如何分解為 token ，因?yàn)檫@是模型處理的基本構(gòu)建塊。
• 保持簡(jiǎn)潔：通過(guò)在切換主題時(shí)重新開(kāi)始來(lái)管理你的上下文窗口；擁擠的上下文會(huì)削弱響應(yīng)的效果。
• 實(shí)驗(yàn)不同的模型：使用免費(fèi)層進(jìn)行簡(jiǎn)單任務(wù)，并在需要更高準(zhǔn)確性或額外功能時(shí)考慮升級(jí)到高級(jí)模型。
• 利用外部工具：不要猶豫集成互聯(lián)網(wǎng)搜索、文件上傳甚至 Python 解釋器以擴(kuò)展模型的功能。
• 保持更新：關(guān)注提供商更新，加入社區(qū)論壇，并嘗試測(cè)試版功能，以跟上不斷發(fā)展的生態(tài)系統(tǒng)。

14、結(jié)束語(yǔ)

Andrey Karpathy 的視頻帶我們深入了解了 LLMs 的內(nèi)部工作原理，從 token 化和基于 Transformer 的架構(gòu)的細(xì)微差別，到通過(guò)工具集成和多模態(tài)互動(dòng)解鎖的廣泛功能。這些模型將大量知識(shí)壓縮到數(shù)十億甚至數(shù)萬(wàn)億個(gè)參數(shù)中，使用復(fù)雜的訓(xùn)練技術(shù)來(lái)預(yù)測(cè)下一個(gè) token 并生成類似人類的響應(yīng)。通過(guò)結(jié)合預(yù)訓(xùn)練與針對(duì)性的后訓(xùn)練，并集成外部工具（如互聯(lián)網(wǎng)搜索和 Python 解釋器），現(xiàn)代 LLMs 正在演變成多才多藝、智能的合作伙伴，能夠在日常生活中提供信息和靈感。

正如 Karpathy 簡(jiǎn)明扼要地總結(jié)的那樣：

“從壓縮的 token 到交互式聊天氣泡，LLMs 的內(nèi)部工作原理是優(yōu)雅的數(shù)學(xué)原理和大規(guī)模數(shù)據(jù)壓縮的結(jié)合。每一次新進(jìn)展都使我們更接近一個(gè)人工智能成為日常生活中不可或缺的一部分的未來(lái)?！?/p>

這個(gè)全面的生態(tài)系統(tǒng)，從個(gè)性化功能到高級(jí)研究和多模態(tài)集成，為每個(gè)人提供了一個(gè)強(qiáng)大的平臺(tái)，無(wú)論是初學(xué)者還是專家。

llm token

? ?