6 progressive code assignments for full-stack LLM learning | 涵盖预训练数据、分词器、Transformer、MoE、分布式训练、缩放定律、推理与对齐，6 项渐进代码作业，掌握 LLM 全栈知识
diy-llm (datawhalechina/diy-llm)
Searching Database…
diy-llm README
The project's README from github.com/datawhalechina/diy-llm. As one markdown file: README.md.
Diy-LLM
我们希望这门 CS336 中文课程，不只是斯坦福原版的"汉化版"，而是一座为中文学习者量身打造的"LLM炼丹工坊"。在这里，你亲手锻造理解、打磨代码、调控火候，最终炼出属于自己的大模型真丹。
📋 前置要求
- Python 编程：熟练掌握 Python 和软件工程能力
- 深度学习基础：熟悉 PyTorch，了解神经网络基本原理
- 数学基础：线性代数、概率统计、微积分
- 机器学习：需对机器学习与深度学习的基础知识有扎实掌握
- GPU 编程（可选）：了解 CUDA 基础概念会更佳，不懂也没关系，本项目也有入门教程
📚 课程愿景
- 硬核理论与动手实战并重：我们会完整保留原版课程的技术深度，但会用更符合中文学习者思维的方式重构知识体系。对于必要的数学、深度学习前置知识，我们会帮你补齐，确保学习曲线平滑，让每个认真投入的人都能跟上。
- 搭建一套循序渐进的知识体系：将构建LLM这个庞大工程，拆解成一个个可以上手、可以理解的模块。学完后，你将拥有一个关于LLM的完整知识图谱。
- 代码驱动，知行合一：课程的核心是"用代码思考"。所有作业，我们不仅会提供实现代码，更会分享写下每一行代码时的思考过程。
- 贴近国内环境的本土化改造：考虑到国内的网络环境、大家手头的计算资源以及独特的开源生态，我们会提供更接地气的解决方案和案例（比如，多聊聊Qwen、DeepSeek等国产优秀模型）。
🎯 项目意义
学完这门课，你能得到什么？
- 扎实的技术地基：你将能亲手"造"出自己的LLM，对每个核心组件都了然于胸。
- 宝贵的工程经验：掌握从数据处理、模型训练到部署优化，堪比大厂的全流程实战技能。
- 突出的行业竞争力：具备大模型研发的核心能力，为你进入心仪的大厂或团队铺平道路。
- 清晰的科研视野：对LLM领域有体系化的认知，为未来深入研究打下坚实的基础。
📖 课程目录
| 章节 | 关键内容 | 配套作业 | 状态 |
|---|---|---|---|
| 前言 | 项目背景、学习路线、前置知识 | - | ✅ |
| 第1章 工具使用 | W&B 实验追踪、超参数搜索、可视化面板 | - | 📝 |
| 第2章 分词器 | BPE 算法原理、Unicode 规范化、手写 tokenizer 训练代码 | 作业1 | ✅ |
| 第3章 PyTorch 与资源核算 | 混合精度训练、梯度累积、FLOPs/显存估算 | - | ✅ |
| 第4章 语言模型架构与训练细节 | RoPE、RMSNorm、SwiGLU、AdamW、Pre-Norm vs Post-Norm、学习率调度 | 作业1 | ✅ |
| 第5章 混合专家模型 | Top-K 路由、负载均衡、辅助损失、Expert Parallelism、DeepSeekMoE | - | ✅ |
| 第6章 GPU 与相关优化 | 显存带宽与计算强度、Flash Attention、Kernel Fusion、混合精度、BF16/TF32 | 作业2 | ✅ |
| 第7章 GPU 高性能编程 | CUDA 编程模型、Tensor Cores、Shared Memory、Triton 入门 | 作业2 | ✅ |
| 第8章 分布式训练 | 数据并行/模型并行/流水线并行、ZeRO-1/2/3、FSDP、梯度累积、All-Reduce | 作业2 | ✅ |
| 第9章 Scaling Laws | Chinchilla 定律、计算最优配置、Scaling 实验设计、Extrapolation | 作业3 | ✅ |
| 第10章 推理 | KV Cache、投机解码、量化 (GPTQ/AWQ)、PagedAttention、Continuous Batching | 作业6 | ✅ |
| 第11章 数据工程 | 数据质量过滤、MinHash 去重、PII 脱敏、数据配比、Data Curriculum | 作业4 | ✅ |
| 第12章 评估与基准测试 | MMLU、HumanEval、HELM、CEval、AlpacaEval、Arena 排名 | 作业6 | ✅ |
| 第13章 大模型的基本训练流程 | Pre-training、SFT、DPO、RLHF PPO 流程、Alignment Tax | 作业5 | ✅ |
| 第14章 可验证奖励的强化学习 | GRPO、Rule-based Verifier、Outcome/Process Reward、RLVR 与 R1 训练方案 | 作业5 | ✅ |
| 第15章 多模态模型 | 从 CLIP 到 Omni Model：CLIP/SigLIP、LLaVA、Qwen-VL、Chameleon | - | ✅ |
| 第16章 扩展内容 | 1. 什么是LLM推理？（黎又榛） 2. LLM 的未来 - Lecun（黎又榛、jiangyinhe、李盛康、徐虎） |
- | 🔄 |
状态图例说明：✅ 已完成 🔄 更新中 📝 待完善 🚧 筹备中 ⏸️ 暂缓
📝 作业概览
| 作业 | 核心任务 | 状态 |
|---|---|---|
| 作业1：手搓大模型 | 实现 tokenizer、model architecture、optimizer，训练一个极简语言模型 | ✅ |
| 作业2：系统优化 | 性能分析与基准测试；用 Triton 实现 FlashAttention-2；构建分布式训练代码 | ✅ |
| 作业3：扩展定律 | 理解 Transformer 各组件功能；拟合 scaling law 预测模型扩展效果 | ✅ |
| 作业4：数据处理 | 将 Common Crawl 原始数据转换为预训练数据集，执行过滤与去重 | ✅ |
| 作业5：模型对齐 | 应用 SFT 与强化学习（如 GRPO）训练模型解决数学问题 | ✅ |
| 作业6：模型评估 | 使用 lm-evaluation-harness 和 evalscope 进行多维度评测（语言理解、常识推理、代码、数学推理） | ✅ |
🚀 快速开始
# 克隆仓库
git clone https://github.com/datawhalechina/diy-llm.git
cd diy-llm
# 安装基础依赖（根据具体作业需求安装）
学习路径
1️⃣ 理论学习 → 按章节顺序阅读 docs/zh/ 目录下的中文文档（English version in docs/en/）
2️⃣ 实践练习 → 完成 coursework/ 目录下的 6 个作业
3️⃣ 深入理解 → 阅读代码实现，理解每个组件的设计
项目结构
diy-llm/
├── docs/ # 在线文档
│ ├── zh/ # 中文文档（默认）
│ │ ├── 前言.md
│ │ ├── chapter1/ # 工具使用
│ │ ├── chapter2/ # 分词器
│ │ ├── chapter3/ # PyTorch 与资源核算
│ │ ├── chapter4/ # 语言模型架构与训练细节
│ │ ├── chapter5/ # 混合专家模型
│ │ ├── chapter6/ # GPU 与相关优化
│ │ ├── chapter7/ # GPU 高性能编程
│ │ ├── chapter8/ # 分布式训练
│ │ ├── chapter9/ # Scaling Laws
│ │ ├── chapter10/ # 推理
│ │ ├── chapter11/ # 数据工程
│ │ ├── chapter12/ # 评估与基准测试
│ │ ├── chapter13/ # 大模型的基本训练流程
│ │ ├── chapter14/ # 可验证奖励的强化学习
│ │ ├── chapter15/ # 多模态模型
│ │ └── chapter16/ # 前沿扩展内容
│ ├── en/ # English documentation
│ │ └── ...
│ └── .vitepress/ # VitePress 配置
├── coursework/ # 实践作业
│ ├── assignment1-basics/ # 作业1：手搓大模型
│ ├── assignment2-systems/ # 作业2：系统优化
│ ├── assignment3-scaling/ # 作业3：扩展定律
│ ├── assignment4-data/ # 作业4：预训练数据处理
│ ├── assignment5-alignment/ # 作业5：对齐
│ └── assignment6-evaluation/ # 作业6：评估
├── README.md # 中文项目说明
├── README_EN.md # English project overview
└── .gitignore # Git忽略配置
PDF 版本下载
本教程提供 PDF 版本，方便离线阅读和打印学习。为防止各类营销号加水印后贩卖给 LLM 的读者，我们特地在 PDF 文件中添加了不影响阅读的 Datawhale 开源标志水印，敬请谅解～
📥 Diy-LLM 课程讲义 PDF: https://github.com/datawhalechina/diy-llm/releases/latest/
🔗 相关链接
- 仓库地址：https://github.com/datawhalechina/diy-llm
- 在线阅读地址：https://datawhalechina.github.io/diy-llm/
- 原版课程主页：Stanford CS336 (Spring 2026)
- 原版课程项目：https://github.com/stanford-cs336/lectures/tree/main
❓ 常见问题
Q: 没有 GPU 可以学习吗？
理论部分可以正常学习，作业中的部分内容可以在 CPU 上调试，但完整训练需要 GPU。建议使用云服务平台。
Q: 与原版 CS336 有什么区别？
我们在保留原版技术深度的基础上，针对中文学习者进行了本土化改造，包括中文讲解、作业实现、更详细的参考内容来源、国产模型案例等。
💬 读者交流群
欢迎加入 Diy-LLM 读者交流群，与大家一起交流学习、答疑解惑：
 读者交流群1 |
 读者交流群2 |
群1满员后可加入群2。如果两个群二维码都过期或已满，可以添加以下任一负责人的微信（备注「diy-llm」），由我们拉你入群：
| 负责人 | 微信号 |
|---|---|
| 徐虎 | xuhu96736 |
| 黎又榛 | zydsx111 |
| 李盛康 | muzichengminguangli |
👥 贡献者
贡献者名单
 徐虎 项目负责人 |
 李盛康 项目负责人 |
 黎又榛 项目负责人 |
社区贡献
- 感谢 @aimetrics 在作业1 的 train.py 中，增加了在 Macbook 设备上的 MPS 支持
- 感谢@FuTseYi(Datawhale成员)对网站迁移、部署和重构的支持
- 感谢@jiangyinhe参与第 16 章扩展内容《LLM 的未来 - Lecun》的整理；基于中文版内容实现了第一章、前言的英文版翻译；
- 感谢@Excelius-Wang 补充 C-EVAL 中文 benchmark 的介绍，并接入到 assignment6 中
注：我们感谢每一位为项目做出贡献的开发者，也欢迎社区的小伙伴积极参与贡献！
我们欢迎所有形式的贡献！无论是文档改进、代码优化、bug修复还是新内容添加，都是对项目的宝贵支持。
如何贡献
- 报告问题：如果发现文档错误、代码bug或改进建议，欢迎提交 Issue
- 提交代码：Fork 本仓库，创建你的特性分支，提交更改后发起 Pull Request
- 完善文档：帮助改进文档、翻译内容或添加示例
- 分享经验：在讨论区分享学习心得和实践经验
贡献指南
- 提交代码前请确保代码风格一致
- 添加新内容时请遵循现有的文档格式
- 提交PR时请提供清晰的描述和变更说明
- 欢迎在Issue中讨论大的改动方案
📝 更新日志
项目持续更新中，最新进展请查看 GitHub Releases 或提交记录。
📄 许可证
本作品采用 知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议 进行许可。
🙏 致谢
- 感谢 Stanford CS336 课程团队提供优秀的原版课程
- 特别感谢@Sm1les对本项目的帮助与支持
- 感谢所有为项目做出贡献的开发者
- 感谢开源社区的支持与反馈
⭐ Star History
如果这个项目对你有帮助，欢迎给个 Star ⭐️！
让更多人能够系统性地学习大语言模型构建技术
Made with ❤️ by the Datawhale