⼀、课题简介⭐ 随着大语言模型（LLM）和多模态模型的快速发展，如何提升模型效率、扩展知识能力以及增强推理性能已成 为当前人工智能研究的核心议题。本课程系统性地探讨大模型的前沿优化方法，重点研究参数高效计算、知识动 态扩展和复杂推理三大方向的关键技术。 课程将深入分析大模型优化中的核心挑战：在参数压缩方面，研究剪枝稀疏化和量化加速等轻量化方法；在知识 扩展方面，探索检索增强生成（RAG）和参数高效微调（PEFT）等动态知识注入技术；在推理优化方面，研究 链式思维（CoT）和强化学习优化（GRPO）等高级推理范式。同时，课程还将探讨多智能体协作和多模态理解 等前沿方向。 通过本课程的学习，你将掌握大模型优化的核心算法，包括但不限于：结构化剪枝、低比特量化、动态检索、角 色化智能体、多跳推理等关键技术。课程采用理论讲解与实验实践相结合的方式，使用主流大模型（如 LLaMA、GPT等）作为实验平台，重点培养学生在模型优化和推理增强方面的研究能力。 关键词：大模型优化；参数高效计算；检索增强生成；链式推理；多智能体协作；多模态理解 ⼆、课程目的 三、招生人数⭐ 6⼈/期（⾄多8人） 四、招生对象⭐ 五、课程收获 解决 ...