如何使用 LLM Primer 学习

LLM Primer 的文章按模块组织，每篇文章提供三个阅读档位。你可以根据自己的背景和目标选择深度。

选择你的起点

完全新手：从基础模块开始，先读直觉版，建立大致概念。不必一次性读完所有细节。
工程师/开发者：直接跳到你关心的模块。训练、推理或应用都可以作为起点。重点关注工程版的实现取舍和评估方法。
研究者/学生：每个主题的研究版都列出了开放问题和关键论文。可以从论文库反向追踪到相关文章。

使用三档阅读系统

每篇文章顶部的档位切换器让你在同一页面内切换深度：

直觉派：类比、可视化和生活中的例子。适合快速建立心智模型。
工程派：实现细节、成本分析、线上取舍和最佳实践。适合要做决策的开发者。
研究派：论文引用、假设、证据和未解决问题。适合要深入理解原理的研究者。

你的选择会被记住，下次访问时自动恢复。

可以把学习优先级粗略写成：

\text{priority} = \frac{\text{当前问题相关性}}{\text{理解成本}}

结合论文库

文章中的关键说法都链接到论文库的对应条目。每篇论文提供双语 TLDR，并列出引用它的所有文章。这是一个双向导航：从概念到证据，从论文到应用场景。

参与贡献

发现错误、想补充内容、或者想认领 inbox 中的候选论文？欢迎提交 PR。我们的目标是维护一套能长期迭代的 LLM 学习地图，而不是追逐热点。

互动：选择下一篇文章

在继续学习前，先勾选你现在的目标。

我想先建立概念直觉我需要解决工程落地问题我想追踪论文和开放问题

参考答案

如果第一项最重要，从基础模块开始；如果第二项最重要，优先看推理和应用；如果第三项最重要，进入研究档并结合论文库。

下面的 Python 代码可以直接运行，用一个简单打分帮助你挑选下一篇文章：

articles = [
    {"title": "Tokenization", "relevance": 5, "cost": 2},
    {"title": "KV Cache", "relevance": 4, "cost": 3},
    {"title": "Alignment", "relevance": 3, "cost": 4},
]

for article in sorted(articles, key=lambda x: x["relevance"] / x["cost"], reverse=True):
    score = article["relevance"] / article["cost"]
    print(f"{article['title']}: {score:.2f}")

或者直接用下面这个交互式计算器试一试：

score = relevance / cost（按 score 倒序）

title	relevance	cost	score
			2.50
			1.33
			0.75