# Не просто книжка: 11 готовых лабораторок, чтобы понять, как работают большие модели

- Site: VeraPoint News
- Section: Инструменты
- Date: 2026-05-10
- Canonical: https://verapointmedia.com/tools/lordog-dive-into-llms/
- Markdown: https://verapointmedia.com/tools/lordog-dive-into-llms.md
- 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.
- SEO title: Dive into LLMs: что это и для чего нужен AI-инструмент
- SEO description: Разбор Dive into LLMs: что делает инструмент, где может быть полезен, какие ограничения и риски проверить перед внедрением.
- Target queries: Dive into LLMs; Dive into LLMs обзор; Dive into LLMs что это; Dive into LLMs AI инструмент; ai infrastructure tools
- Tags: #llm #hands-on #education #china #notebook #tutorial
- Image: https://verapointmedia.com/static/content-assets/tools/lordog-dive-into-llms/cover.webp

## Sources

- 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

---

`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).

## Если просто

Представьте, 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.

Вы 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.

## Что это решает

Самая 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.

`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.

## Как попробовать

Установки как таковой нет. Это набор документов и скриптов. Самый быстрый путь:

1.  **Вариант для новичка:** Зайдите на [GitHub репозитория](https://github.com/Lordog/dive-into-llms).
2.  Перейдите в папку `documents`. Там лежат главы с `chapter1` по `chapter11`.
3.  Выберите тему. Например, `chapter2` — про промптинг и цепочки мыслей (CoT).
4.  Найдите файл с расширением `.ipynb` (например, `dive-prompting.ipynb`). Нажмите на него.
5.  GitHub отобразит ноутбук. Вверху будет кнопка **«Open in Colab»**. Нажмите на неё.
6.  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.

Если хотите клонировать всё локально: `git clone https://github.com/Lordog/dive-into-llms.git`. Потом открывайте ноутбуки в Jupyter Lab или VS Code.

## 3 сценария с примерами

Вот три конкретные задачи, для которых этот репозиторий — отличная отправная точка.

**1. Задача: Хочу понять, как работает «взлом» (jailbreak) ChatGPT и ему подобных.**
*   **Как применить:** Идём в `chapter6` (越狱攻击, Jailbreak). Открываем ноутбук `dive-jailbreak.ipynb` в Colab.
*   **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.

**2. Задача: Нужно быстро освоить базовый пайплайн fine-tuning'а маленькой модели для своей задачи (например, классификации тональности).**
*   **Как применить:** Открываем `chapter1` (微调与部署, Fine-tuning & Deployment). Ноутбук `dive-tuning.ipynb`.
*   **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.

**3. Задача: Любопытно, как в ответы нейросети можно незаметно встроить водяной знак, чтобы потом доказать авторство текста.**
*   **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`.
*   **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.

## Где можно застрять

*   **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.
*   **«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.
*   **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.
*   **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.

## Кому это нужно

*   **Студентам технических специальностей.** Идеальный материал для курсового проекта или чтобы заполнить пробелы между лекциями по NLP.
*   **Разработчикам-любителям и энтузиастам AI**, которые устали от поверхностных обзоров и хотят «поковырять» технологии руками.
*   **Преподавателям.** Можно брать готовые лабораторные работы для своих курсов (с учётом языкового барьера).
*   **Всем, кто смотрит на тренды вроде «атаки jailbreak» или «водяные знаки для ИИ» и хочет понять механику, а не просто пересказ новостей.

## Кому это не нужно

*   **Продвинутым ML-инженерам и исследователям.** Скорее всего, вы всё это уже знаете и умеете. Материал ориентирован на начальный и средний уровень.
*   **Тем, кто ищет готовое production-решение.** Это учебный материал, а не библиотека или фреймворк.
*   **Людям, которые хотят быстро получить ответ «как сделать X», не вникая в код.** Тут придётся вникать.
*   **Тем, кому критически важен английский или русский язык в объяснениях.** Без знания китайского или готовности постоянно пользоваться переводчиком вы потеряете половину ценности — теоретические выкладки.

## Вердикт Веры

Когда 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.

Мне 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.

Если 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.

## Материалы

- [Lordog/dive-into-llms] Lordog/dive-into-llms: https://github.com/Lordog/dive-into-llms
- [img.shields.io] supporting context: https://img.shields.io/badge/version-v0.1.0-blue
- [github.com] supporting context: https://github.com/Lordog/dive-into-llms/stargazers
- [github.com] supporting context: https://github.com/Lordog/dive-into-llms/network/members

## Похожие материалы

- [Все инструменты VeraPoint](https://verapointmedia.com/tools/)
- [Хаб «AI-инфраструктура»](/topics/ai-infrastructure/)
- [Сайты для AI-агентов](https://verapointmedia.com/investigations/seo-bylo-dlya-poiskovikov-sleduyuschiy-sloy-sayty-dlya-ai-agentov/)
- [MCP простыми словами](https://verapointmedia.com/guides/mcp-prostymi-slovami/)