这是一个创建于 878 天前的主题，其中的信息可能已经有所发展或是发生改变。
现在市场上有好多找做 LLM 背景人的坑。 我好奇这样背景的人和普通做 NLP 的人有什么主要的差异吗？
例如我这样的水货背景
- 3 年前搞过一点 NLP ，会做常见的一些 task （分类、问答、翻译什么的）。最近几年的进展都没怎么跟了。
- 明白古早版本的 bert ，transformer ，gpt 都是怎么工作的。
- 知道 language model 是怎么弄出来的（ large 的没碰过）
- 知道多机多卡的训练怎么写
- 会用一些已有推理框架 onnx ，tensorrt 什么的捣鼓捣鼓模型上线
我可以大言不惭的说自己也是 LLM 背景的人吗？还是会被打回原型？
 | 1 glfpes 2023-06-03 09:44:49 +08:00 LLM 出来才多久？市面上现在做这个方向的正是这个行业的第一批人。各种背景的都有，NLP 的居多。 只有做过 LLM 的，才可以说自己有相关背景 |
 | 2 Cynicsss 2023-06-03 09:53:03 +08:00 via iPhone 这个是不是只能说有 nlp 背景，不能说有 llm 背景吧( |
 | 3 Ocean810975 2023-06-03 09:55:30 +08:00 via Android 我怀疑绝大多数说自己有 LLM 背景的人大概率也就是这半年才上手的 |
 | 4 LaurelHarmon 2023-06-03 10:04:08 +08:00 train 过？ |
 | 5 dayeye2006199 OP @LaurelHarmon 只 train 过 lm ，没弄过 llm |
 | 6 kenvix 2023-06-03 12:28:36 +08:00  1 @LaurelHarmon train LLM 有点要求高了，大多数我们这种小作坊实验室都没可能搞 |
7 vToExer 2023-06-03 13:35:30 +08:00 via Android 也想问这个问题，失业求职后感觉此类岗位要求和普通 nlp 不太匹配，不知自学填坑是否可行 |
 | 8 MrGba2z 2023-06-03 13:54:34 +08:00 1 虽然到处说的都是 LLM 但是很多时候大部分人 /企业在做的是 prompt engineering （非贬义）或者是 LLM 周边项目 prompt engineering 见效快回报率高， 周边项目走不同赛道但依旧搭 LLM 的顺风车。huggingface 上就有很多案例 这些人的背景差别还是挺大的 我认识的研究主力研究 LLM 的人，基本上每个礼拜都会看一篇最近的论文，然后每个月分享 10~30 件最近业界的进展和知识。 现在这个赛道发展太快，能看懂别人的研究然后来应用到自己的场景，我觉得就是一个合格的 LLM 人了。 （比如看了 https://arxiv.org/pdf/2305.15717.pdf 可能就直接放弃用 imitation 去做 distillation 的想法，避免浪费时间等） --- 当然如果你是指创造 transformer 这种级别的背景人的话，那当我上面没说。 |
 | 9 OysterQAQ 2023-06-03 14:38:56 +08:00 感觉 LLM 不管是数据集构建还是训练流程都是需要一些特定经验的 但是很明显一般的公司没有能力提供这个场景 |
 | 10 WuSiYu 2023-06-03 17:16:11 +08:00 via iPhone 可能需要对大规模（分布式）训练 /推理有了解吧 |
 | 11 wqzjk393 2023-06-03 19:12:56 +08:00 via iPhone 先掌握工程思维，再去纠结算法背景，大模型往往对工程化的要求比算法功底要强的多 |
 | 12 jetyang 2023-06-04 09:08:51 +08:00 如果真会分布式训练，就可以说自己搞过 LLM ，可以当面给别人复现大参数量羊驼的分布式训练 |
Select Language