一句话看懂：Keras 创始人、ARC Prize 联合创始人 François Chollet 公开推荐了一条从零训练大模型的实操路线，核心是《Deep Learning with Python》第三版的第 15、16 章。这两章用免费算力就能跑通一个 4100 万参数的 mini-GPT，被认为是 2026 年入门 LLM 最直接的学习路径。
事件核心：发生了什么
François Chollet 在 X（原 Twitter）上发文，建议任何年龄的初学者想学构建 LLM，直接阅读他在线免费公开的《Deep Learning with Python》第三版第 15、16 章。据 @MaxForAI 整理，第 15 章从字符级语言模型讲起，逐步覆盖 Seq2Seq、Attention、QKV、Scaled Dot-Product Attention、Multi-Head Attention，最终到 Transformer 架构，并专门用一整节解释“为什么点积注意力有效”，从 Word2Vec 和 embedding space 的角度说明 token 相关性如何转化为向量空间中的距离关系。第 16 章则是完整的 GPT 训练实战，包括从 C4 数据集提取近 10 亿 token、构建 SentencePiece 32K 词表、搭建 8 层 8 头 hidden size 512 的 4100 万参数 mini-GPT，覆盖数据 pipeline、weight tying、学习率 warmup、预训练及 temperature/top-k 采样。整个训练过程在 Google Colab 免费 T4 GPU 上约需 6 小时，A100 约 1 小时出头。
为什么重要
这条推荐的价值在于它提供了一套“最小可用”的完整训练闭环。过去训练大模型的门槛往往被描述为“需要大量工程经验”，但 Chollet 的路线把 tokenizer、数据 pipeline、causal attention、预训练到采样生成串成一条可运行的链路，且算力成本为零。这降低了大模型教育的入门门槛，让“从零到能训出一个会吐字的模型”成为可验证的个人学习目标。同时，Chollet 本人对“点积注意力为何有效”的解释被其自评为最佳解释之一，填补了多数教材只列公式不讲直觉的空白。对于 AI 教育生态和开源社区而言，这是一次高质量的免费知识供给。
对用户/开发者/创作者的影响
对于完全没有训练经验的开发者，这套教程意味着可以直接在 Colab 里亲手跑完一次 GPT 训练，理解 causal attention 的 mask 机制、weight tying 的参数共享逻辑，以及 temperature 和 top-k 对生成质量的影响，这些概念在纯理论阅读中很难真正内化。对于创作者和 AI 应用开发者，这套材料并不直接提供可用 API，但它有助于理解 GPT 类模型的推理边界和采样原理，从而更好地调试 prompt 或选择微调策略。对于学校或培训机构，这也是一个现成的实验课大纲，能帮助学员在有限算力条件下建立对预训练和 SFT、RLHF、RAG 之间关系的基本认知。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
目前公开信息显示，该书第三版可在线免费阅读，配套 Notebook 也已开放。值得观察的是：第一，这套 mini-GPT 训练教程是否会成为后续课程或竞赛的起点，比如 ARC Prize 是否会引入类似实验任务；第二，Chollet 是否会围绕第 15、16 章发布配套的视频讲解或扩展阅读；第三，开源社区是否会在该教程基础上衍生出更小的可复现训练脚本，进一步降低本地 GPU 硬件门槛。
来源：@MaxForAI
