{"title":"Не просто книжка: 11 готовых лабораторок, чтобы понять, как работают большие модели","url":"https://verapointmedia.com/tools/lordog-dive-into-llms/","markdownUrl":"https://verapointmedia.com/tools/lordog-dive-into-llms.md","language":"ru","category":"tools","publishedAt":"2026-05-10T17:01:21.000Z","updatedAt":"2026-05-10T17:01:21.000Z","references":["https://github.com/Lordog/dive-into-llms","https://img.shields.io/badge/version-v0.1.0-blue","https://github.com/Lordog/dive-into-llms/stargazers","https://github.com/Lordog/dive-into-llms/network/members"],"rights":"Public user-requested reading, summarization and citation allowed. Model training requires separate permission.","contentMarkdown":"# Не просто книжка: 11 готовых лабораторок, чтобы понять, как работают большие модели\n\n- Site: VeraPoint News\n- Section: Инструменты\n- Date: 2026-05-10\n- Canonical: https://verapointmedia.com/tools/lordog-dive-into-llms/\n- Markdown: https://verapointmedia.com/tools/lordog-dive-into-llms.md\n- Summary: Китайский учебник-бестселлер про LLM: от промптов до RLHF, от водяных знаков до GUI-агентов. Разбираем, что скрывается за 36 тысячами звёзд и зачем это обычному человеку.\n- SEO title: Dive into LLMs: что это и для чего нужен AI-инструмент\n- SEO description: Разбор Dive into LLMs: что делает инструмент, где может быть полезен, какие ограничения и риски проверить перед внедрением.\n- Target queries: Dive into LLMs; Dive into LLMs обзор; Dive into LLMs что это; Dive into LLMs AI инструмент; ai infrastructure tools\n- Tags: #llm #hands-on #education #china #notebook #tutorial\n- Image: https://verapointmedia.com/static/content-assets/tools/lordog-dive-into-llms/cover.webp\n\n## Sources\n\n- https://github.com/Lordog/dive-into-llms\n- https://img.shields.io/badge/version-v0.1.0-blue\n- https://github.com/Lordog/dive-into-llms/stargazers\n- https://github.com/Lordog/dive-into-llms/network/members\n\n---\n\n`dive-into-llms` — это китайский учебник-бестселлер на GitHub, который превращает теорию LLM в серию готовых к запуску Jupyter Notebook. Вместо скучных объяснений — 11 глав-лабораторок, где прямо в браузере можно покрутить промпты, попробовать взломать модель или прикрутить к ней водяной знак. [Ссылка на репозиторий](https://github.com/Lordog/dive-into-llms).\n\n## Если просто\n\nПредставьте, что вы студент или просто любопытный человек, который слышал про fine-tuning, RLHF и jailbreak-атаки, но не понимает, как это работает на практике. Вместо того чтобы рыться в десятках статей и видео, вы открываете этот репозиторий. В каждой папке — готовая «лабораторная работа»: Jupyter-ноутбук с кодом, PDF-презентация с теорией и текстовый гайд.\n\nВы просто клонируете репозиторий, запускаете ноутбук в Google Colab или локально и шаг за шагом повторяете эксперимент: например, учите маленькую модель решать математические задачки или прячете секретное сообщение в её ответах. Всё на китайском, но структура и код — универсальны.\n\n## Что это решает\n\nСамая частая боль для новичка в ML — пропасть между «я прочитал статью» и «я могу это повторить». Особенно в такой стремительной области, как большие языковые модели. Статьи в arXiv выходят каждую неделю, а готового кода часто нет или он разбросан по тысячам репозиториев.\n\n`dive-into-llms` решает это, упаковывая ключевые темы последних лет в законченные, самодостаточные уроки. Это не просто коллекция ссылок, а именно практикум: от настройки среды до визуализации результатов. Боль автора проекта — необходимость давать студентам Shanghai Jiao Tong University что-то осязаемое для курсовых проектов. И эта боль оказалась общей: 36 тысяч звёзд на GitHub говорят, что такой структурированный практический подход нужен многим.\n\n## Как попробовать\n\nУстановки как таковой нет. Это набор документов и скриптов. Самый быстрый путь:\n\n1.  **Вариант для новичка:** Зайдите на [GitHub репозитория](https://github.com/Lordog/dive-into-llms).\n2.  Перейдите в папку `documents`. Там лежат главы с `chapter1` по `chapter11`.\n3.  Выберите тему. Например, `chapter2` — про промптинг и цепочки мыслей (CoT).\n4.  Найдите файл с расширением `.ipynb` (например, `dive-prompting.ipynb`). Нажмите на него.\n5.  GitHub отобразит ноутбук. Вверху будет кнопка **«Open in Colab»**. Нажмите на неё.\n6.  Google Colab откроет копию ноутбука в вашем аккаунте. Теперь вы можете менять код и запускать ячейки. Для работы большинства скриптов нужны лишь базовые библиотеки вроде `transformers` и `torch`, которые Colab установит автоматически.\n\nЕсли хотите клонировать всё локально: `git clone https://github.com/Lordog/dive-into-llms.git`. Потом открывайте ноутбуки в Jupyter Lab или VS Code.\n\n## 3 сценария с примерами\n\nВот три конкретные задачи, для которых этот репозиторий — отличная отправная точка.\n\n**1. Задача: Хочу понять, как работает «взлом» (jailbreak) ChatGPT и ему подобных.**\n*   **Как применить:** Идём в `chapter6` (越狱攻击, Jailbreak). Открываем ноутбук `dive-jailbreak.ipynb` в Colab.\n*   **Что получится:** В ноутбуке разбираются классические техники вроде «Данетеринга» (Daneteering) и атак с использованием специально сконструированных промптов. Вы не просто прочитаете про них, а запустите код, который пытается обойти защиту демо-модели (например, используя библиотеку `text-generation`). Вы увидите, какие промпты срабатывают, а какие нет, и поймёте уязвимость на практике.\n\n**2. Задача: Нужно быстро освоить базовый пайплайн fine-tuning'а маленькой модели для своей задачи (например, классификации тональности).**\n*   **Как применить:** Открываем `chapter1` (微调与部署, Fine-tuning & Deployment). Ноутбук `dive-tuning.ipynb`.\n*   **Что получится:** Вам проведут по полному циклу: загрузка предобученной модели (например, `bert-base-uncased` из Hugging Face), подготовка датасета, написание цикла обучения с помощью `Trainer` API, оценка результатов. Это готовый шаблон, который можно адаптировать под свой датасет, заменив пару строк кода.\n\n**3. Задача: Любопытно, как в ответы нейросети можно незаметно встроить водяной знак, чтобы потом доказать авторство текста.**\n*   **Как применить:** Смотрим `chapter5` (模型水印, Model Watermarking) или `chapter7` (大模型隐写, Steganography). Ноутбук `watermark.ipynb` или `llm_stega.ipynb`.\n*   **Что получится:** Вы реализуете один из алгоритмов скрытой маркировки — например, будете слегка смещать вероятности следующих токенов в зависимости от секретного ключа. Код покажет, как сгенерировать «помеченный» текст и как потом, имея ключ, проверить, содержит ли произвольный текст эту скрытую сигнатуру. Отличная демонстрация на стыке ML и информационной безопасности.\n\n## Где можно застрять\n\n*   **Язык.** Вся теория (PDF, README) — на китайском. Код и комментарии в ноутбуках — на английском. Если вы не читаете по-китайски, то лишаетесь контекста и пояснений, которые даются в текстовых гайдах. Придётся полагаться на код и иногда на переводчик.\n*   **«Коробочность».** Это учебные примеры. Они отлично работают на предоставленных демо-датасетах, но чтобы перенести код на свою, более сложную задачу, потребуется уже некоторый опыт и понимание, что там под капотом.\n*   **Аппаратные требования.** Некоторые главы (особенно про RLHF в `chapter11` или обучение с подкреплением) могут требовать заметных вычислительных ресурсов даже для демо. В Colab на бесплатном GPU можно упереться в лимиты памяти или времени выполнения.\n*   **Отсутствие лицензии.** В репозитории не указана явная лицензия (поле `License: not specified`). Для личного обучения это не проблема, но если вы захотите использовать код в коммерческом проекте, нужно будет разбираться с правовым статусом или писать авторам.\n\n## Кому это нужно\n\n*   **Студентам технических специальностей.** Идеальный материал для курсового проекта или чтобы заполнить пробелы между лекциями по NLP.\n*   **Разработчикам-любителям и энтузиастам AI**, которые устали от поверхностных обзоров и хотят «поковырять» технологии руками.\n*   **Преподавателям.** Можно брать готовые лабораторные работы для своих курсов (с учётом языкового барьера).\n*   **Всем, кто смотрит на тренды вроде «атаки jailbreak» или «водяные знаки для ИИ» и хочет понять механику, а не просто пересказ новостей.\n\n## Кому это не нужно\n\n*   **Продвинутым ML-инженерам и исследователям.** Скорее всего, вы всё это уже знаете и умеете. Материал ориентирован на начальный и средний уровень.\n*   **Тем, кто ищет готовое production-решение.** Это учебный материал, а не библиотека или фреймворк.\n*   **Людям, которые хотят быстро получить ответ «как сделать X», не вникая в код.** Тут придётся вникать.\n*   **Тем, кому критически важен английский или русский язык в объяснениях.** Без знания китайского или готовности постоянно пользоваться переводчиком вы потеряете половину ценности — теоретические выкладки.\n\n## Вердикт Веры\n\nКогда я впервые открыла этот репозиторий и увидела 36 тысяч звёзд, я подумала: «Опять какой-то хайповый фреймворк». Но оказалось, что это почти противоположное — тихая, системная, почти академическая работа. В эпоху, когда каждый день появляется новый «революционный» инструмент, который через месяц забывают, `dive-into-llms` делает простую и нужную вещь: структурирует уже накопленные знания и даёт людям инструмент для их проверки.\n\nМне не нравится, что нет английской версии текстов — это сильно сужает аудиторию. Смущает и отсутствие чёткой лицензии. Но сам подход — «вот тема, вот слайды, вот код, запускай и смотри» — вызывает огромное уважение. Это не про маркетинг, а про образование в его самой честной форме: через практику.\n\nЕсли вы хотите перестать бояться терминов вроде «PPO» или «стейганография» и начать понимать, что за ними стоит, потратьте вечер на одну из глав. Вы не станете экспертом, но ощущение «я могу это повторить» — бесценно. А иногда именно с него всё и начинается.\n\n## Материалы\n\n- [Lordog/dive-into-llms] Lordog/dive-into-llms: https://github.com/Lordog/dive-into-llms\n- [img.shields.io] supporting context: https://img.shields.io/badge/version-v0.1.0-blue\n- [github.com] supporting context: https://github.com/Lordog/dive-into-llms/stargazers\n- [github.com] supporting context: https://github.com/Lordog/dive-into-llms/network/members\n\n## Похожие материалы\n\n- [Все инструменты VeraPoint](https://verapointmedia.com/tools/)\n- [Хаб «AI-инфраструктура»](/topics/ai-infrastructure/)\n- [Сайты для AI-агентов](https://verapointmedia.com/investigations/seo-bylo-dlya-poiskovikov-sleduyuschiy-sloy-sayty-dlya-ai-agentov/)\n- [MCP простыми словами](https://verapointmedia.com/guides/mcp-prostymi-slovami/)\n"}