|
课程培训
|
系列大模型培训课程（选修）
系列大模型培训课程（选修）课程目录
选修学习建议
课程详细大纲LLM1. 大模型基础理论与技术全景培训对象： 初学者、AI产品经理、技术管理者、算法工程师 培训目标： 系统掌握大模型发展脉络、核心架构（Transformer）与关键技术，理解大模型的能力边界与工程化应用路径 培训内容： 一、人工智能与大模型发展概述：人工智能发展脉络，从专用模型到通用大模型的演进历程，大模型的基本定义与核心特征，大模型带来的范式变革，国家人工智能战略与大模型人才培养 二、Transformer架构深度解析：注意力机制原理（Self-Attention/Multi-Head Attention），编码器-解码器范式详解，位置编码与层归一化，不同层数对任务的影响（6层模型适合文本分类，24层模型适合复杂推理） 三、大模型训练范式演进：预训练（Pre-training）目标与数据规模，有监督微调（SFT）原理，基于人类反馈的强化学习（RLHF）技术解析，PPO算法实现细节，直接偏好优化（DPO）与RLHF对比 四、主流大模型技术路线对比：闭源商业模型（GPT系列/Gemini/Claude）与开源模型（LLaMA/Qwen/Bloom）对比，模型参数量与性能关系，模型选型策略（通用/垂直/成本/延迟） 五、大模型能力边界与局限性：涌现能力与上下文学习，幻觉现象成因分析，知识截止日期与长尾知识覆盖，模型偏见与公平性问题 六、大模型工程化应用路径：从模型调用到应用落地的完整链条，提示词工程、RAG、微调、Agent四种技术路线对比，不同技术路线的适用场景与成本考量 七、大模型开发工具链全景：Hugging Face Transformers库，PyTorch框架基础，LangChain生态，NVIDIA NeMo框架，Ollama本地部署方案 八、AI硬件与算力基础：GPU架构（NVIDIA A100/H100）与算力指标，CPU/GPU/NPU异构计算，显存容量与模型适配关系，模型并行策略基础（数据并行/张量并行/流水线并行） 九、大模型评测体系概述：通用评测基准（MMLU/CEval/AGIEval），评测方法与榜单解读，模型性能与业务场景匹配度评估 十、大模型发展趋势与前沿议题：多模态融合趋势，长上下文技术演进（百万级token），MoE混合专家架构，模型小型化与边缘部署，具身智能与AI Agent 十一、大模型开源生态与学习资源：Hugging Face模型库，GitHub开源项目，学术顶会论文追踪，在线课程与社区资源 十二、综合实践：主流大模型API首次调用体验，Hugging Face开源模型本地运行，Transformer模型结构可视化工具使用 LLM2. 提示词工程与LLM应用快速开发培训对象： AI应用开发工程师、产品经理、业务人员、初学者 培训目标： 掌握提示词工程核心方法与最佳实践，能够快速构建基于大模型的轻量级应用，理解LLM如何解读提示和上下文 培训内容： 一、提示词工程概述：提示词工程定义与价值，大模型如何解读提示和上下文，提示词与模型输出的关系，提示词工程在不同场景中的应用 二、提示词基本结构与设计原则：角色设定、任务描述、上下文示例、输出格式、约束条件五大要素，清晰、具体、可操作的设计原则，迭代式提示词优化方法 三、基础提示技术：零样本提示（Zero-shot）原理与应用，少样本提示（Few-shot）设计与示例选择，思维链（Chain-of-Thought）提示技术，自洽性（Self-Consistency）增强 四、高级提示工程策略：提示链（Prompt Chaining）与复杂任务分解，思维树（Tree-of-Thoughts）扩展，提示模板与复用管理，提示版本控制 五、面向特定任务的提示设计：文本摘要任务提示设计，信息抽取任务提示设计，代码生成任务提示设计，创意写作与内容生成提示设计 六、结构化输出控制：JSON/XML格式强制输出方法，表格与Markdown生成，正则表达式约束，输出格式校验与后处理 七、提示词优化与迭代技术：输出质量评估方法，错误分析与提示修正，A/B测试对比优化，用户反馈闭环整合 八、LangChain提示词管理：LangChain提示模板（PromptTemplate），少样本示例选择器，消息提示（ChatPromptTemplate）与对话管理，输出解析器（OutputParser） 九、NVIDIA NIM微服务快速调用：NVIDIA NIM推理微服务架构，Llama-3.1等模型API调用，提示工程与NIM集成，高性能推理实践 十、业务场景提示工程实战：智能客服对话流程设计，营销文案生成提示优化，数据分析报告生成，代码辅助与调试 十一、多模态提示工程入门：文本到图像生成提示（Stable Diffusion/Midjourney），图像理解与视觉问答提示，提示词对生成效果的精细控制 十二、综合实战：基于提示工程的聊天机器人开发，从需求分析、提示设计到迭代优化的完整流程 LLM3. 检索增强生成（RAG）与知识库增强培训对象： AI应用开发工程师、算法工程师、数据科学家 培训目标： 掌握RAG架构设计与实现方法，能够构建基于私有知识库的问答系统，解决大模型知识局限性和幻觉问题 培训内容： 一、RAG技术概述：RAG产生背景与核心价值，大模型知识局限性与RAG解决方案，RAG与传统微调技术对比，RAG应用场景（客服问答/企业知识库/文档分析） 二、RAG系统架构设计：RAG三阶段（索引/检索/生成），Naive RAG与Advanced RAG演进，模块化RAG设计，RAG与Agent融合趋势 三、文档加载与解析：多格式文档处理（PDF/Word/Excel/PPT），OCR与图像文字提取，表格与图表解析，文档分块（Chunking）策略（固定大小/语义分块/递归分块） 四、向量化与嵌入模型：文本嵌入模型选型（OpenAI/BGE/智源），嵌入维度与性能权衡，批量向量化处理，异步嵌入与增量更新 五、向量数据库选型与实践：主流向量数据库对比（Pinecone/Qdrant/Chroma/FAISS），向量索引算法（HNSW/IVF），相似度检索（余弦/欧氏/点积），元数据过滤与混合检索 六、检索优化策略：HyDE（Hypothetical Document Embeddings）增强检索，多路召回与融合排序，重排序（Re-ranking）模型应用，检索结果过滤与去重 七、上下文构建与提示增强：检索结果动态组装，上下文窗口管理，相关性阈值过滤，多轮对话历史融合 八、LlamaIndex框架实战：LlamaIndex架构与核心概念，文档解析与索引构建，查询引擎与检索器配置，自定义存储与检索 九、LangChain RAG实战：LangChain文档加载器，文本分割器配置，向量存储集成，检索QA链构建 十、RAG系统评估：检索质量评估（召回率/精度/NDCG），生成质量评估（答案相关度/忠实度），端到端RAG评测方法，RAG实验与迭代优化 十一、高级RAG技术：多模态RAG（图文混合检索），图RAG与知识图谱增强，多跳RAG与复杂推理，流式输出与实时检索 十二、综合实战：企业知识库问答机器人开发，从数据处理、向量化、检索增强到UI展示的完整流程 LLM4. 大模型微调与参数高效优化培训对象： 算法工程师、模型训练工程师、AI应用开发高级人员 培训目标： 掌握大模型微调核心技术与参数高效优化方法，能够使用少量数据和算力完成领域适配和任务定制 培训内容： 一、微调技术概述：微调的定义与目的，全量微调与参数高效微调对比，微调在模型定制中的定位，微调与RAG/提示工程的适用场景对比 二、监督微调（SFT）原理与实践：SFT训练流程与损失函数，指令微调数据集构建，对话模板与角色设计，多轮对话数据组织 三、LoRA低秩适配技术：LoRA核心原理（低秩分解），rank（秩）参数选择策略，target modules（目标模块）配置，LoRA权重合并与部署 四、QLoRA量化微调：QLoRA与LoRA区别，4-bit量化原理（NF4量化），双重量化与分页优化，显存占用分析与配置 五、其他PEFT技术对比：Adapter Tuning原理，Prefix Tuning/P-tuning，IA3与BitFit，不同PEFT技术性能/参数量/速度对比 六、微调数据准备与处理：数据质量评估与筛选，数据去重与清洗，数据增强策略（回译/改写/合成），指令数据集格式规范（Alpaca/ShareGPT） 七、微调训练配置与优化：训练超参数设置（学习率/批次/轮次），梯度累积与混合精度训练，DeepSpeed ZeRO优化，分布式训练基础 八、NVIDIA NeMo框架微调实战：NeMo框架架构，NeMo Curator数据筛选工具，NeMo Evaluator评估工具，NeMo-RL强化学习支持 九、Hugging Face PEFT实战：PEFT库安装与配置，LoRA配置脚本编写，模型训练与保存，微调模型上传与共享 十、微调模型评估与对比：微调前后模型性能对比，领域知识注入效果评估，灾难性遗忘检测，微调成本与收益分析 十一、持续预训练（CPT）与新知识注入：持续预训练原理与适用场景，数据配比与训练策略，领域知识增强实践 十二、综合实战：DeepSeek/V3或Qwen模型LoRA微调实战，从数据准备、微调训练、评估验证到模型部署的全流程 LLM5. AI Agent智能体开发与实战培训对象： AI应用开发工程师、算法工程师、创新项目负责人 培训目标： 掌握AI Agent核心架构与开发方法，能够构建具备感知、规划、记忆、工具使用能力的智能体系统 培训内容： 一、AI Agent概述：Agent定义与核心特征（自主性/感知性/行动性/交互性），大模型与Agent的关系，Agent应用场景（个人助理/代码智能体/科研助手/自动化工作流） 二、Agent核心架构解析：感知模块（环境信息接收），规划模块（任务拆解与计划），记忆模块（短期/长期记忆），行动模块（工具调用与执行），Agent四要素协同机制 三、ReAct思维框架：ReAct（Reason+Act）核心思想，思考（Thought）-行动（Action）-观察（Observation）循环，ReAct提示模板设计，多轮推理与执行 四、工具调用与函数调用：工具定义与描述规范，OpenAI Function Calling原理，Claude Tool Use机制，国产模型工具调用适配 五、LangChain Agent框架实战：LangChain Agent类型对比（Zero-shot/Conversational/ReAct），工具链构建与注册，AgentExecutor执行管理，多Agent协同 六、LangGraph状态机设计：LangGraph与LangChain区别，图状态（State）定义，节点（Node）与边（Edge）设计，循环与条件分支 七、记忆机制设计：短期对话记忆（Buffer/Window），长期记忆向量存储，实体记忆与知识图谱记忆，记忆检索与整合 八、多智能体协作系统：多Agent角色分工（Planner/Executor/Reviewer），Agent间通信协议，任务分配与结果聚合，共识与冲突解决 九、科研智能体构建：科研Agent定义与应用案例，感知（文献/数据/实验）、交互、记忆、推理模块设计，知识增强/符号增强/工具增强技术 十、Agent评估与优化：任务完成率评估，工具调用准确率，Agent决策过程分析，用户交互体验优化 十一、Agent安全与边界控制：工具权限控制，敏感操作确认机制，幻觉与错误传播防护，人机协同边界设计 十二、综合实战：个人日程管理Agent开发，具备日历查询/天气查询/任务提醒/邮件发送等工具集成 LLM6. 大模型评估体系与性能度量培训对象： 算法工程师、模型评测人员、AI产品经理 培训目标： 掌握大模型评测理论、方法与工具，能够对模型性能进行科学评估，为模型选型与优化提供依据 培训内容： 一、大模型评估概述：评估在大模型生命周期中的重要性，主观评估与客观评估对比，通用能力评估与垂直领域评估，评估驱动模型迭代 二、通用评测基准详解：MMLU（大规模多任务语言理解），CEval（中文基础模型评估），AGIEval（人类认知任务评估），GSM8K（数学推理），HumanEval（代码生成） 三、领域专用评测：医疗领域评测（CMB/MedQA），法律领域评测（LawBench/Lawyer-LLM），金融领域评测（FinEval），教育领域评测 四、LLM-as-a-Judge评估方法：大模型作为评估器的原理，评估提示设计（逐点评分/成对比较），评估偏见控制（位置偏见/长度偏见/自我偏好），ELO评分系统应用 五、自动化评估工具实践：NeMo Evaluator使用，OpenAI Evals框架，Hugging Face Evaluate库，中文评测工具（OpenCompass/C-Eval） 六、人工评估与用户测试：人工评估维度设计（相关性/流畅性/帮助性/安全性），众包评估组织，A/B测试与用户反馈收集，评估一致性分析 七、生成任务评估指标：ROUGE（摘要评估），BLEU（翻译评估），BERTScore语义相似度，答案忠实度评估，幻觉检测指标 八、检索增强（RAG）系统评估：检索质量（Hit Rate/MRR/NDCG），生成质量（答案相关度/上下文利用率），端到端RAG评测方法 九、模型对齐与安全评估：有害内容生成测试，偏见与刻板印象检测，拒绝率与过度拒绝平衡，对抗性提示攻击测试 十、性能评估与成本分析：推理延迟（首字延迟/生成速度），吞吐量（QPS/并发数），显存占用与硬件成本，性价比综合评估 十一、模型对比与选型框架：多维度评估雷达图，业务场景匹配度分析，模型版本演进追踪，混合模型策略设计 十二、综合实战：针对特定业务场景（如客服/教育），完成多个模型的评估对比与选型报告撰写 LLM7. 大模型推理加速与高效部署培训对象： 部署工程师、运维工程师、算法工程师 培训目标： 掌握大模型推理加速技术与高效部署方法，能够在资源受限环境下实现模型的稳定、低延迟运行 培训内容： 一、大模型推理概述：推理过程计算特点（显存带宽敏感/计算密集），推理延迟构成（预填充/解码阶段），推理性能关键指标（TTFT/TPOT/吞吐量） 二、模型量化技术：量化原理与精度权衡，PTQ（训练后量化）与QAT（量化感知训练），GPTQ/AWQ算法对比，4-bit/8-bit量化实践 三、模型剪枝与稀疏化：结构化剪枝与非结构化剪枝，神经元/注意力头剪枝，半结构化稀疏（2:4稀疏），剪枝后微调恢复 四、知识蒸馏技术：教师-学生模型蒸馏，白盒蒸馏与黑盒蒸馏，任务特定蒸馏与通用蒸馏，蒸馏数据策略 五、vLLM与PagedAttention：PagedAttention核心原理（KV缓存优化），vLLM架构与特性，连续批处理（Continuous Batching），吞吐量与延迟优化 六、TensorRT-LLM引擎优化：TensorRT-LLM架构，模型编译与图优化，插件与内核融合，动态形状与批处理配置 七、NVIDIA Triton推理服务器：Triton架构与功能，多模型并发管理，动态批处理与并发请求，模型版本管理与热加载 八、分布式推理策略：张量并行（Tensor Parallelism），流水线并行（Pipeline Parallelism），数据并行推理，推理集群负载均衡 九、边缘端部署技术：Ollama本地部署方案，MLC-LLM边缘编译，GGUF模型格式，移动端推理优化 十、容器化部署实践：Docker镜像构建，Kubernetes推理服务部署，水平自动伸缩（HPA），GPU资源调度与隔离 十一、推理服务监控与告警：推理延迟监控（P99/P95），吞吐量监控（QPS），错误率与重试率，GPU利用率与显存监控 十二、综合实战：基于TensorRT-LLM或vLLM的大模型推理服务部署，从模型转换、服务配置、性能压测到监控上线的完整流程 LLM8. 大模型安全、对齐与合规实践培训对象： 安全工程师、合规人员、算法工程师、产品经理 培训目标： 掌握大模型安全风险识别与防护技术，理解模型对齐原理，具备合规落地的实践能力 培训内容： 一、大模型安全概述：大模型安全风险图谱（生成有害内容/隐私泄露/偏见歧视/越狱攻击），安全事件案例分析，安全与用户体验平衡 二、模型局限性与风险：知识边界与幻觉风险，对抗性提示攻击（Prompt Injection/Jailbreak），数据投毒与后门攻击，模型窃取与逆向工程 三、RLHF与DPO对齐技术：RLHF三阶段（SFT+奖励建模+强化学习），PPO算法对齐原理，DPO（直接偏好优化）实现，对齐数据收集与标注 四、红队测试与对抗训练：红队测试方法设计，对抗样本生成（PGD攻击/遗传算法），对抗训练增强鲁棒性，持续红队机制 五、输入输出过滤与审核：敏感词过滤与正则表达式，NLP模型二次检测，事实核查API集成（Google Fact Check Tools），实时内容审核服务 六、隐私保护技术：差分隐私原理（拉普拉斯噪声/高斯噪声），联邦学习与多方安全计算，数据脱敏与匿名化，隐私政策合规要求 七、偏见与公平性检测：偏见检测指标（偏见指数/毒性评分），代表性偏差与历史偏差，缓解偏见方法（数据平衡/对抗去偏/后处理） 八、合规治理框架：国内合规要求（网络安全法/数据安全法/生成式AI管理办法），国际合规标准（GDPR/CCPA），行业特定合规（金融/医疗/教育） 九、审计追踪与可解释性：全链路日志记录，模型决策溯源，可解释性方法（注意力可视化/特征归因），监管配合与证据留存 十、模型防护技术体系：输入过滤-对抗训练-输出校验-审计追踪四层防护，安全配置模板与基线，安全测试用例库 十一、合规落地实践：大模型在国内如何合规落地，备案流程与材料准备，安全评估报告编制，持续合规监控 十二、综合实战：大模型应用安全加固项目，从风险评估、防护配置、测试验证到合规文档编制的完整流程 LLM9. 大模型数据工程与数据处理培训对象： 数据工程师、数据科学家、算法工程师 培训目标： 掌握大模型数据全流程处理方法，具备数据清洗、筛选、合成与质量评估的工程能力 培训内容： 一、大模型数据工程概述：数据在大模型中的关键作用，"数据决定模型上限"理念，数据全生命周期（采集/清洗/标注/增强/管理），AI-Ready数据概念 二、数据采集与源选择：公开数据集来源（Common Crawl/The Pile/RedPajama），垂直领域数据采集，多语言数据配比，数据版权与合规 三、数据清洗与过滤基础：噪声数据识别与清洗（HTML标签/乱码/重复），近重复数据去重（MinHash/SimHash），低质量内容过滤（启发式规则/质量分类器） 四、NVIDIA NeMo Curator实践：NeMo Curator架构与功能，可扩展数据处理流水线，质量筛选与过滤配置，分布式数据处理 五、合成数据生成技术：合成数据应用场景（数据增强/场景模拟/隐私保护），大模型生成合成数据方法，质量验证与过滤，反向蒸馏与数据迭代 六、数据标注与指令构建：标注任务设计，人工标注与自动标注结合，指令数据集格式规范，多轮对话与复杂指令构建 七、数据质量评估体系：质量评估维度（准确性/多样性/一致性/新颖性），自动评估指标，人工评估抽样，数据质量报告生成 八、数据版本与元数据管理：数据版本控制（DVC），数据集元数据规范，数据血缘追踪，数据存储与压缩策略 九、隐私数据处理：PII（个人隐私信息）识别与脱敏，数据匿名化技术，差分隐私数据处理，合规审计准备 十、领域数据增强：领域知识注入方法，术语词典与知识库融合，领域数据配比优化，持续预训练数据策略 十一、大规模数据处理工具链：Spark与Ray分布式处理，Dask与Modin应用，NVIDIA RAPIDS加速，数据处理工作流编排 十二、综合实战：从原始数据到模型可用数据集的完整流程实践，涵盖清洗、筛选、合成、标注、质量评估各环节 LLM10. MLOps与LLMOps工程实践培训对象： DevOps工程师、ML工程师、平台架构师 培训目标： 掌握LLMOps工程实践方法，能够构建大模型持续集成与持续交付（CI/CD）体系，实现模型快速迭代与可靠部署 培训内容： 一、LLMOps概述：MLOps演进与LLMOps特殊性，LLMOps核心挑战（模型大/迭代快/评估难/成本高），LLMOps生命周期框架 二、实验跟踪与管理：MLflow实验跟踪，实验参数与指标记录，模型注册与版本管理，实验对比与选择 三、模型与数据集版本控制：DVC数据版本控制，Git LFS大文件存储，模型权重文件管理，版本回滚与溯源 四、工作流编排与自动化：Kubeflow Pipeline设计，Flyte/Airflow任务编排，预训练/微调/评估工作流定义，依赖管理与调度 五、持续集成（CI）实践：代码与配置变更触发，单元测试与集成测试，模型训练自动触发，测试报告生成 六、持续交付（CD）实践：模型自动部署策略，A/B测试与金丝雀发布，模型灰度上线，自动回滚机制 七、模型服务与弹性伸缩：Kubernetes推理服务部署，水平自动伸缩（HPA）配置，GPU资源调度，负载预测与扩缩容 八、监控与可观测性体系：业务指标监控（用户满意度/任务完成率），技术指标监控（延迟/吞吐量），模型质量监控（漂移检测/性能衰减） 九、模型漂移检测：数据漂移（输入分布变化），概念漂移（输入输出关系变化），漂移检测方法（统计检验/分布距离），告警与自动重训 十、LLM性能基准测试：压力测试工具（locust/vegeta），并发请求模拟，性能瓶颈分析，成本效率评估 十一、MLflow与NVIDIA NeMo集成：MLflow跟踪NeMo实验，模型注册与NeMo模型管理，部署流水线集成 十二、综合实战：构建完整的LLMOps流水线，涵盖实验跟踪、CI/CD、自动部署、监控告警全流程 LLM11. 多模态大模型技术与应用培训对象： 算法工程师、AI应用开发者、创新研究人员 培训目标： 掌握多模态大模型核心技术（视觉-语言/图文生成），能够开发多模态理解与生成应用 培训内容： 一、多模态大模型概述：多模态AI发展脉络，多模态大模型与单模态区别，多模态应用场景（图文理解/视觉问答/图像生成/视频分析） 二、视觉-语言模型架构：双流架构（CLIP原理），单流融合架构（Flamingo/BLIP），统一Transformer架构，对比学习与匹配学习 三、CLIP模型与应用：CLIP核心思想（对比预训练），图像编码器与文本编码器，零样本分类原理，图文检索与相似度计算 四、图像生成大模型：扩散模型原理（前向扩散/反向去噪），Stable Diffusion架构，ControlNet条件控制，LoRA风格微调 五、多模态理解模型：视觉问答（VQA）任务，图像描述生成，图文推理模型（Fuyu-8B/CogVLM），OCR与文档理解 六、多模态对话系统：图文混合输入处理，多轮对话上下文管理，图文生成与编辑，Agent工具调用 七、NVIDIA多模态开发栈：NVIDIA NeMo多模态支持，Triton多模型服务，TensorRT多模态优化，NIM推理微服务 八、开源多模态模型实践：LLaVA/VILA模型架构，Qwen-VL/CogVLM使用，Owl多模态理解，模型选型对比 九、多模态微调技术：LoRA在多模态中的应用，Adapter跨模态适配，指令微调数据构建，多模态RLHF探索 十、多模态RAG应用：图文混合检索，向量多模态嵌入，多模态知识库构建，图文问答系统设计 十一、多模态评估体系：图文匹配评估（CLIPScore），图像生成质量（FID/IS），多模态理解评测（MMMU/MMBench） 十二、综合实战：多模态图文问答系统开发，具备图像上传、内容理解、图文检索与答案生成完整功能 LLM12. 行业大模型应用实战与项目交付培训对象： AI应用开发工程师、解决方案架构师、项目经理 培训目标： 掌握行业大模型应用开发全流程，能够独立完成从需求分析、技术选型、开发部署到交付验收的完整项目 培训内容： 一、行业大模型应用方法论：行业痛点分析与AI机会识别，技术方案可行性评估，POC（概念验证）快速启动，规模化推广路径设计 二、需求分析与技术选型：业务需求转化为技术指标，模型选型（通用/垂直/开源/闭源），技术路线（提示工程/RAG/微调/Agent）决策，成本与效益评估 三、数据处理与知识库构建：行业数据采集与清洗，领域知识库设计，向量数据库选型，数据安全与隐私保护 四、应用开发与集成：后端服务架构设计，前端交互界面开发，API设计与封装，与企业现有系统集成 五、智能客服系统实战：需求分析（高频问题识别），数据准备（历史对话清洗），模型选型（成本与延迟考量），RAG知识库构建，对话流程设计，部署与监控 六、代码智能助手实战：代码库索引构建，代码生成提示优化，单元测试自动生成，代码审查辅助，IDE插件集成 七、文档智能处理系统实战：多格式文档解析，表格与图表信息提取，文档问答与摘要，报告自动生成，审批流程集成 八、教育领域应用实战：个性化学习路径推荐，试题自动生成与批改，学习内容问答，学情分析与报告 九、金融领域应用实战：研报自动分析，财务数据提取，风险评估辅助，合规文档审查 十、医疗领域应用实战：临床文档记录，文献综述辅助，诊断建议参考，患者问答服务 十一、项目交付与验收：测试用例设计与执行，性能指标达标验证，用户体验评估，文档编制与培训，持续运维方案 十二、综合实战：从零开始完成一个行业大模型应用项目，涵盖需求分析、技术选型、开发实现、部署交付的全流程
如果您想学习本课程，请预约报名
如果没找到合适的课程或有特殊培训需求，请订制培训 除培训外，同时提供相关技术咨询与技术支持服务，有需求请发需求表到邮箱soft@info-soft.cn,或致电4007991916 技术服务需求表下载请点击 服务优势： 丰富专家资源，精准匹配相关行业，相关项目技术精英，面向用户实际需求，针对性培训或咨询，互动式交流，案例教学，精品小班，实际工程项目经验分享，快捷高效，节省时间与金钱，少走弯路与错路。 专家力量： 中国科学院相关研究所高级研究人员 西门子，TI,vmware，MSC,Ansys，MDI，Mentor, candence,Altium,Atmel 、Freescale,达索，华为等 大型公司高级工程师，项目经理，技术支持专家 中科信软培训中心，资深专家或讲师 大多名牌大学，硕士以上学历，相关学历背景专业，理论素养高 多年实际项目实践，大型复杂项目实战案例分享，热情，乐于技术分享 针对客户实际需要，真实案例演示，互动式沟通，学有所值 |
|
