How an LLM learns, end to end - A Big Picture
If you are applying for Applied Scientist roles, you must know this!
Steem to the Moon🚀!
- You can rent Steem Power via rentsp!
- You can swap the TRON:TRX/USDT/USDD to STEEM via tron2steem!
- You can swap the STEEM/SBD to SUI via steem2sui!
- You can swap the STEEM/SBD to SOL Solana via steem2sol!
- You can swap the STEEM/SBD to ETH Ethereum via steem2eth!
- You can swap the STEEM/SBD to Tether USDT (TRC-20) via steem2usdt!
- You can swap the STEEM/SBD to TRX (TRON) via steem2trx!
- You can swap the STEEM/SBD to BTS (BitShares) via steem2bts!
- Register a free STEEM account at SteemYY!
- Steem Block Explorer
- ChatGPT/Steem Integration: You can type !ask command to invoke ChatGPT
- Steem Witness Table and API
- Other Steem Tools
Support me, thank you!
Why you should vote me? My contributions
Please vote me as a witness or set me as a proxy via https://steemitwallet.com/~witnesses
En mi experiencia el diagrama grande que pusiste se pierde un poco al final con tantos links de herramientas de Steem, pero entiendo que es tu estilo de post. Lo que aprendí es que el recorrido completo —desde los tokens hasta la predicción— queda claro con esa imagen, aunque me hubiera gustado un ejemplo concreto de algún paso. ¿La imagen la armaste vos o sale de algún paper?
El diagrama del pipeline end to end está genial para tener el big picture antes de meterte en los detalles de cada etapa. Lo que no es lo mismo es leerlo en la imagen que tener el paso a paso explicado, ¿tenés pensado hacer una serie desglosando cada fase?
El título promete un recorrido end to end del entrenamiento de un LLM pero el cuerpo del post no desarrolla nada, solo la imagen y los links de siempre. ¿Tenés pensado publicar el detalle de las etapas o quedó solo en el título?
Great dive into the training pipeline—did you notice how the backpropagation diagram aligns with the transformer weight updates? It’d be interesting to hear how you’d optimize the learning rate schedule for a new applied scientist role. 🚀🤖💡