Khám phá những hạn chế của LLM, các công nghệ mới nhất để khắc phục những hạn chế đó và triển vọng của các công nghệ trong tương lai.
8 học viên đang tham gia khóa học này
Độ khó Nhập môn
Thời gian Không giới hạn
Những hạn chế hiện tại của LLM
Khả năng phát triển của LLM
Tương lai của LLM
Ảo giác, cửa sổ ngữ cảnh, độ sâu suy luận, giới hạn dữ liệu huấn luyện, tính nhất quán — trước tiên chúng ta sẽ phân tách năm khía cạnh mà LLM đang bị hạn chế, sau đó tìm hiểu các công nghệ như RAG, Agent, MoE, Multimodal, mô hình suy luận, ngữ cảnh dài, mô hình nhỏ và kỹ thuật căn chỉnh đang chuyển động theo hướng nào để giải quyết những bế tắc đó. Đây là bài giảng dành cho các nhà phát triển từ trình độ trung cấp trở lên đã từng sử dụng LLM, giúp bạn xác định trục tọa độ của giới hạn, bứt phá và áp dụng thông qua 13 phần và 93 bài học.
Những người đã từng gọi API hoặc viết prompt nhưng gặp khó khăn trong việc phân biệt chính xác giới hạn của việc "LLM không làm được" nằm ở tầng nào. Những người muốn phán đoán xem cùng một lỗi ảo giác thì nên giải quyết bằng RAG hay chuyển sang mô hình suy luận (reasoning model).
Những người cần giải quyết khoảng cách giữa việc bản demo chạy tốt nhưng lại thất bại trong môi trường thực tế do chi phí, độ trễ và tính nhất quán. Những người muốn biết chính xác ranh giới giữa ba tầng kiểm soát thời điểm sử dụng và việc tinh chỉnh (fine-tuning) hoặc thay thế mô hình.
Những người cần đặt các xu hướng như đa tác nhân (multi-agent), MoE, đa phương thức (multimodal), mô hình suy luận và mô hình nhỏ lên cùng một hệ tọa độ, đồng thời phải có khả năng giải thích cho đội ngũ của mình về việc dòng công nghệ nào có hiệu quả chi phí tốt nhất đối với những hạn chế cụ thể nào.
Những người thường đọc các bài báo và blog một cách rời rạc nên bỏ lỡ bức tranh toàn cảnh. Những người muốn hệ thống hóa các hạn chế, công nghệ và triển vọng thành một ma trận trong một bài giảng duy nhất, từ đó tạo điểm khởi đầu để xây dựng các bài giảng chuyên sâu tiếp theo.
Hầu hết các khóa học về LLM đều bắt đầu bằng cách cho thấy 'những gì hoạt động tốt'. Khóa học này thì ngược lại. Phải bóc tách rõ các giới hạn trước thì sau đó mới có thể hiểu được tại sao các công nghệ như RAG, Agent, MoE lại được thiết kế theo hình thái như vậy.
Chúng tôi đã tách biệt con đường vượt qua phần lớn các giới hạn mà không cần thay đổi dù chỉ một dòng trọng số mô hình thành ba lớp: Prompt·Context·Harness Engineering và tập hợp chúng lại trong một phần. Điều này sẽ giúp bạn tránh được sai lầm khi cố gắng giải quyết bằng các kỹ thuật tinh chỉnh (fine-tuning) đắt đỏ những vấn đề vốn có thể xử lý được bằng prompt.
Tất cả các phần kỹ thuật đột phá từ phần 4 đến 12 đều được kết hợp giữa bài học nguyên lý và bài học thực hành theo cặp trong cùng một phần. Việc hiểu nguyên lý và thực hành mã nguồn sẽ được hoàn thiện ngay tại chỗ.
Chúng tôi phân loại các hạn chế thành ba tầng: hạn chế của chính mô hình như ảo giác, cửa sổ ngữ cảnh, độ sâu suy luận, điểm cắt tri thức (knowledge cutoff) và tính nhất quán; hạn chế trong ứng dụng như chi phí, độ trễ và khả năng tái lập; cùng các hạn chế xã hội như định kiến, bản quyền và trách nhiệm pháp lý. Đây là phần thiết lập hệ tọa độ để xác định xem tất cả các công nghệ đột phá sau này sẽ tương ứng với khía cạnh nào.
Hướng cải thiện công nghệ, xu hướng nghiên cứu mới nhất, và từ mở rộng quy mô·đa phương thức (multimodal)·hiệu suất·phổ cập hóa·mở rộng ngành công nghiệp cho đến mở rộng chủ đề nghiên cứu. Trước tiên, chúng ta sẽ nắm bắt bức tranh toàn cảnh về các vectơ phát triển xuất hiện trên tọa độ của những giới hạn.
Prompt Engineering (Thiết kế chỉ thị), Context Engineering (Vượt qua sự thiếu hụt kiến thức bằng RAG), Harness Engineering (Vòng lặp·Công cụ·Kiểm chứng). Đi sâu vào sự tương tác giữa ba lớp, ưu tiên đầu tư và cả những điều không thể giải quyết bằng phương pháp này, sau đó kết thúc bằng thực hành giảm thiểu ảo giác·quy trình xử lý RAG·vòng lặp tự kiểm chứng.
Các mẫu Agent như Điều phối viên (Orchestrator) - Người thực hiện (Worker) - Bộ định tuyến (Router), Lập kế hoạch - Thực thi - Kiểm chứng, Fan-out song song và so sánh giữa Claude Code, CrewAI, AutoGen, LangGraph. Cùng với đó là mạng lưới cổng (Gate Network) của MoE từ Switch Transformer, Mixtral đến DeepSeek và trực quan hóa việc kích hoạt chuyên gia (Expert Activation).
Sự kết hợp giữa bộ mã hóa thị giác và mô hình ngôn ngữ (GPT-4o·Gemini·Claude Vision), phát hiện ảo giác đa phương thức. Từ chuỗi suy nghĩ đến suy luận nội bộ của o1·o3·DeepSeek-R1, trực quan hóa các bước suy luận và so sánh hiệu suất với các mô hình thông thường.
Mở rộng mã hóa vị trí của RoPE·ALiBi·YaRN, Ring·Flash Attention, Lost in the Middle giữa độ dài danh nghĩa và độ dài thực tế. Ở hướng ngược lại là các mô hình nhỏ như Phi·Gemma, chưng cất tri thức·lượng tử hóa·cắt tỉa, cho đến triển khai trên thiết bị (on-device).
Tạo dữ liệu tổng hợp và học tập tự cải thiện, rủi ro sụp đổ mô hình (Model Collapse) và quản lý chất lượng. Các kỹ thuật căn chỉnh như RLHF·DPO·Constitutional AI, và tương lai của căn chỉnh như Red Teaming·Scalable Oversight·Interpretability.
Kết hợp danh sách các hạn chế ở Phần 1 và các công nghệ đột phá từ Phần 4 đến Phần 12 vào một ma trận duy nhất. Bao gồm dòng thời gian về độ trưởng thành của công nghệ, tiêu chí đánh giá theo từng vai trò (người lập kế hoạch, kỹ sư, ban điều hành), và hướng dẫn lộ trình học tập dẫn đến các bài giảng chuyên sâu tiếp theo.
Phân loại ngay lập tức câu nói "Cái này LLM không làm được đâu" thành ba tầng (kỹ thuật, ứng dụng, xã hội) và năm khía cạnh khác nhau.
Ánh xạ RAG, Agent, MoE, Multimodal, Suy luận, Context dài, Mô hình nhỏ và Căn chỉnh (Alignment) lên cùng một bản đồ.
Cân nhắc ba lớp Prompt·Context·Harness cùng với chi phí và khả năng tái hiện để phản ánh vào quyết định thiết kế.
Quyết định thời điểm áp dụng và mức độ ưu tiên bằng ma trận Giới hạn × Đột phá và dòng thời gian trưởng thành.
Kinh nghiệm đã từng sử dụng LLM ít nhất một lần (cho dù là gọi API hay giao diện chat). Cú pháp Python cơ bản (hàm, ngoại lệ, import thư viện). Bức tranh lớn về Transformer và Pre-training sẽ được định nghĩa ngắn gọn khi xuất hiện lần đầu, nhưng đối với các nguyên lý sâu hơn, chúng tôi khuyên bạn nên tham khảo khóa học riêng 'Hiểu nguyên lý cơ bản của Mô hình ngôn ngữ lớn (LLM)'.
Thay vì hướng đi ban đầu là bài giảng dành riêng cho người lập kế hoạch, tôi đã thay đổi định hướng và củng cố lại toàn bộ cấu trúc để cả người lập kế hoạch và nhà phát triển đều có thể nắm bắt tình hình công nghệ LLM mới nhất hoặc ứng dụng chúng. Tôi đã xóa phần 4 (dành cho người lập kế hoạch) trong bốn phần cũ và thêm mới sáu phần chuyên sâu. Trang giới thiệu bài giảng này sẽ được bổ sung thêm trong quá trình hoàn thiện khóa học.
Tôi đã thêm các lưu ý và lịch sử thay đổi vào trang giới thiệu chi tiết.
Khóa học này dành cho ai?
Nhà hoạch định muốn nắm bắt tình hình mới nhất của công nghệ LLM
Nhà phát triển muốn hiểu và ứng dụng công nghệ LLM mới nhất
709
Học viên
39
Đánh giá
2
Trả lời
4.6
Xếp hạng
18
Các khóa học
Tôi là một người coi IT vừa là sở thích vừa là nghề nghiệp.
Tôi có nhiều kinh nghiệm trong việc viết lách, dịch thuật, tư vấn, phát triển và giảng dạy.
Tất cả
105 bài giảng ∙ (5giờ 49phút)
Tài liệu khóa học:
Hãy khám phá các khóa học khác của giảng viên!
Khám phá các khóa học khác trong cùng lĩnh vực!
Giảm 25% cho thành viên mới
5.170.142 ₫
25%
6.893.522 ₫
![[Miễn phí] Notion MCP: Từ nhập môn đến ứng dụngHình thu nhỏ khóa học](https://cdn.inflearn.com/public/files/courses/338906/cover/01k4nkjw13vgrmrs0esxnc60w9?w=420)