GPT 实现挑战 (Level 4)

难度: 困难 | 前置知识: Transformer 全部内容、PyTorch 熟练使用 | 预计时间: 3-5 小时

挑战目标

从零实现一个可训练、可推理的 mini-GPT 模型。不使用 nn.TransformerDecoderLayer 等高层封装，所有核心组件手写。

完成后，你的模型应该能在一个小数据集（如莎士比亚全集 / 唐诗三百首）上训练，并生成连贯的文本。

热身练习

在挑战完整模型之前，先完成以下三个小练习，确保你掌握了核心组件。

热身 1：手写 GELU 激活函数

GELU 的数学定义为 $GELU (x) = x \cdot Φ (x)$ ，其中 $Φ (x)$ 是标准正态分布的 CDF。

GPT-2 使用的是 tanh 近似版本：

GELU (x) \approx x \cdot \frac{1}{2} [1 + \tanh (\sqrt{\frac{2}{π}} (x + 0.044715 x^{3}))]

python

import torch
import math

def gelu(x):
    """
    实现 GELU 激活函数（tanh 近似版本）
    提示: 使用 torch.tanh, torch.pow, math.sqrt, torch.pi
    """
    # TODO: 你的实现
    pass

# 测试
x = torch.tensor([-2.0, -1.0, -0.5, 0.0, 0.5, 1.0, 2.0])
result = gelu(x)
expected = torch.tensor([-0.0454, -0.1588, -0.1543, 0.0000, 0.3457, 0.8412, 1.9546])
assert torch.allclose(result, expected, atol=1e-4), \
    f"GELU 输出不正确!\n得到: {result}\n期望: {expected}"
print("GELU 测试通过!")

热身 2：构造因果掩码

因果掩码是 Decoder-Only 模型的核心——确保每个 token 只能看到自己和之前的 token。

python

import torch
import torch.nn.functional as F

def create_causal_mask(seq_len, neg_inf=-1e5):
    """
    构造 additive 因果掩码

    返回: (seq_len, seq_len) 的矩阵
          下三角（含对角线）= 0，上三角 = neg_inf

    提示: 使用 torch.tril 和 torch.ones
    """
    # TODO: 你的实现
    pass

# 测试
mask = create_causal_mask(4)
print(mask)
# 期望输出:
# tensor([[     0., -100000., -100000., -100000.],
#         [     0.,      0., -100000., -100000.],
#         [     0.,      0.,      0., -100000.],
#         [     0.,      0.,      0.,      0.]])

# 验证 softmax 后的效果
scores = torch.zeros(4, 4)  # 假设注意力分数全为 0
masked_scores = scores + mask
probs = F.softmax(masked_scores, dim=-1)
print(probs)
# 期望: 位置 0 只看自己（概率 1.0），位置 3 均匀看所有（各 0.25）
assert torch.allclose(probs[0], torch.tensor([1.0, 0.0, 0.0, 0.0]), atol=1e-4)
assert torch.allclose(probs[3], torch.tensor([0.25, 0.25, 0.25, 0.25]), atol=1e-4)
print("因果掩码测试通过!")

热身 3：实现 KV Cache 更新

KV Cache 的核心操作是：每生成一个新 token 时，将其 K、V 追加到缓存中。

python

import torch

def update_kv_cache(kv_cache, new_k, new_v):
    """
    更新 KV Cache

    参数:
        kv_cache: None（首次调用）或 [cached_k, cached_v]
                  cached_k/v shape: (batch, cached_len, dim)
        new_k: 新 token 的 Key (batch, new_len, dim)
        new_v: 新 token 的 Value (batch, new_len, dim)

    返回:
        updated_cache: [full_k, full_v]
        full_k: (batch, total_len, dim)
        full_v: (batch, total_len, dim)

    提示: 首次调用直接存储，后续用 torch.cat 拼接
    """
    # TODO: 你的实现
    pass

# 测试
batch, dim = 2, 4

# 第一步：prefill，输入 3 个 token
k1 = torch.randn(batch, 3, dim)
v1 = torch.randn(batch, 3, dim)
cache = update_kv_cache(None, k1, v1)
assert cache[0].shape == (2, 3, 4), f"Prefill 后 K shape 错误: {cache[0].shape}"

# 第二步：decode，输入 1 个新 token
k2 = torch.randn(batch, 1, dim)
v2 = torch.randn(batch, 1, dim)
cache = update_kv_cache(cache, k2, v2)
assert cache[0].shape == (2, 4, 4), f"Decode 后 K shape 错误: {cache[0].shape}"

# 第三步：再生成一个 token
k3 = torch.randn(batch, 1, dim)
v3 = torch.randn(batch, 1, dim)
cache = update_kv_cache(cache, k3, v3)
assert cache[0].shape == (2, 5, 4), f"第二次 Decode 后 K shape 错误: {cache[0].shape}"

# 验证拼接正确性
assert torch.equal(cache[0][:, :3, :], k1)
assert torch.equal(cache[0][:, 3:4, :], k2)
assert torch.equal(cache[0][:, 4:5, :], k3)
print("KV Cache 测试通过!")

需求规格

模型配置

python

config = {
    "vocab_size": 50257,       # GPT-2 词表大小（或自定义）
    "max_seq_len": 256,        # 最大序列长度
    "d_model": 384,            # 隐藏维度
    "n_heads": 6,              # 注意力头数
    "n_layers": 6,             # Transformer 层数
    "d_ff": 1536,              # FFN 中间维度 (4 * d_model)
    "dropout": 0.1,            # Dropout 概率
}

必须实现的组件

Token Embedding + Position Embedding
Causal Self-Attention（带因果掩码）
Feed-Forward Network（带 GELU 激活）
Layer Normalization（Pre-Norm 架构）
残差连接
语言模型头（输出 logits over vocabulary）
文本生成（Top-k / Top-p 采样）

类骨架

以下是建议的类结构。你需要补全所有 TODO 部分。

python

import torch
import torch.nn as nn
import torch.nn.functional as F
import math


class GPTConfig:
    """模型配置"""
    def __init__(self, **kwargs):
        self.vocab_size = kwargs.get("vocab_size", 50257)
        self.max_seq_len = kwargs.get("max_seq_len", 256)
        self.d_model = kwargs.get("d_model", 384)
        self.n_heads = kwargs.get("n_heads", 6)
        self.n_layers = kwargs.get("n_layers", 6)
        self.d_ff = kwargs.get("d_ff", 1536)
        self.dropout = kwargs.get("dropout", 0.1)


class CausalSelfAttention(nn.Module):
    """因果自注意力层"""

    def __init__(self, config: GPTConfig):
        super().__init__()
        assert config.d_model % config.n_heads == 0

        # TODO: 定义 Q、K、V 投影层（可以用一个合并的线性层）
        # 提示: 参考 nn.Linear(d_model, d_model * 3)，一次性投影 QKV
        # TODO: 定义输出投影层
        # TODO: 注册因果掩码 buffer（下三角矩阵）
        # 提示: self.register_buffer('mask', torch.tril(...))
        # TODO: 定义 dropout

        self.n_heads = config.n_heads
        self.d_k = config.d_model // config.n_heads

    def forward(self, x):
        """
        参数: x (batch_size, seq_len, d_model)
        返回: (batch_size, seq_len, d_model)
        """
        B, T, C = x.size()

        # TODO: 计算 Q, K, V（用合并投影后 split）
        # TODO: reshape 为多头: (B, T, C) → (B, n_heads, T, d_k)
        # TODO: 计算注意力分数 S = Q @ K^T / sqrt(d_k)
        # TODO: 应用因果掩码（只截取 [:T, :T] 部分）
        # TODO: softmax + dropout
        # TODO: 加权求和 Z = P @ V
        # TODO: 合并多头 (B, n_heads, T, d_k) → (B, T, C)，输出投影

        pass


class FeedForward(nn.Module):
    """前馈网络 (FFN)"""

    def __init__(self, config: GPTConfig):
        super().__init__()

        # TODO: 两层线性变换 + GELU 激活 + Dropout
        # 结构: d_model → d_ff → d_model
        # 提示: nn.Linear(d_model, d_ff), nn.GELU(), nn.Linear(d_ff, d_model), nn.Dropout

        pass

    def forward(self, x):
        # TODO
        pass


class TransformerBlock(nn.Module):
    """一个 Transformer Decoder 块 (Pre-Norm 架构)"""

    def __init__(self, config: GPTConfig):
        super().__init__()

        # TODO: 定义 ln1, attn, ln2, ffn
        # 提示: 用 nn.LayerNorm(d_model) 或手写 LayerNorm

        pass

    def forward(self, x):
        """
        Pre-Norm 架构:
            x = x + Attention(LayerNorm(x))
            x = x + FFN(LayerNorm(x))
        注意: 残差连接不经过 LayerNorm!
        """
        # TODO
        pass


class MiniGPT(nn.Module):
    """完整的 GPT 模型"""

    def __init__(self, config: GPTConfig):
        super().__init__()
        self.config = config

        # TODO: Token Embedding (nn.Embedding)
        # TODO: Position Embedding (nn.Embedding，可学习的)
        # TODO: Dropout
        # TODO: N 个 TransformerBlock (nn.ModuleList)
        # TODO: 最终的 LayerNorm（Pre-Norm 架构必须有!）
        # TODO: 语言模型头 (nn.Linear，映射到 vocab_size)
        # 进阶: LM head 可以与 Token Embedding 共享权重 (weight tying)

        pass

    def forward(self, idx, targets=None):
        """
        参数:
            idx: token indices (batch_size, seq_len)
            targets: 目标 token indices (batch_size, seq_len)，训练时提供

        返回:
            logits: (batch_size, seq_len, vocab_size)
            loss: 交叉熵损失（仅在提供 targets 时返回）
        """
        B, T = idx.size()
        assert T <= self.config.max_seq_len

        # TODO: Token Embedding + Position Embedding + Dropout
        # 提示: pos = torch.arange(T, device=idx.device)
        # TODO: 依次通过所有 TransformerBlock
        # TODO: 最终 LayerNorm
        # TODO: 语言模型头 → logits

        # TODO: 如果提供了 targets，计算交叉熵损失
        # 提示: logits 和 targets 需要 reshape
        # logits: (B*T, vocab_size), targets: (B*T,)
        loss = None
        if targets is not None:
            loss = F.cross_entropy(
                logits.view(-1, logits.size(-1)),
                targets.view(-1)
            )

        return logits, loss

    @torch.no_grad()
    def generate(self, idx, max_new_tokens, temperature=1.0, top_k=None):
        """
        自回归文本生成

        参数:
            idx: 初始 token indices (batch_size, seq_len)
            max_new_tokens: 生成的最大 token 数
            temperature: 采样温度 (>1 更随机, <1 更确定)
            top_k: Top-k 采样的 k 值 (None 表示不使用)
        """
        for _ in range(max_new_tokens):
            # TODO: 截取最后 max_seq_len 个 token（防止超长）
            # TODO: 前向传播获取 logits
            # TODO: 取最后一个位置的 logits: logits[:, -1, :]
            # TODO: 除以 temperature
            # TODO: 可选 Top-k 过滤（将 top-k 之外的 logits 设为 -inf）
            # TODO: softmax → 概率 → torch.multinomial 采样
            # TODO: 拼接新 token
            pass

        return idx

训练脚本骨架

模型实现完成后，你还需要编写训练循环：

python

# 伪代码框架
def train():
    # 1. 准备数据
    #    - 加载文本，用 tokenizer 编码
    #    - 切分为固定长度的训练样本
    #    - 构造 DataLoader

    # 2. 初始化模型和优化器
    #    - model = MiniGPT(config)
    #    - optimizer = torch.optim.AdamW(model.parameters(), lr=3e-4)
    #    AdamW 核心: w = w - lr * (m_hat / (sqrt(v_hat) + eps) + wd * w)

    # 3. 训练循环
    #    for epoch in range(n_epochs):
    #        for batch in dataloader:
    #            logits, loss = model(batch_x, batch_y)
    #            loss.backward()
    #            torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)
    #            optimizer.step()
    #            optimizer.zero_grad()

    # 4. 生成测试
    #    model.eval()
    #    prompt = tokenizer.encode("从前有座山")
    #    generated = model.generate(prompt, max_new_tokens=200)
    #    print(tokenizer.decode(generated))

评估标准

基础要求（必须达成）

检查项	要求
模型可实例化	`MiniGPT(config)` 无报错
前向传播	输出 shape 正确 `(B, T, vocab_size)`
损失计算	交叉熵损失可正常计算和反向传播
参数量合理	~25M 参数（给定默认 config）
训练可收敛	loss 在训练过程中持续下降
可生成文本	`generate()` 能输出文本（哪怕质量不高）

进阶要求（挑战自我）

检查项	要求
Weight Tying	Token Embedding 和 LM Head 共享权重
权重初始化	使用合理的初始化方案（如 Xavier / 正态分布缩放）
学习率调度	使用 Cosine Annealing 或 Warmup + Decay
梯度裁剪	使用 `clip_grad_norm_`
Top-k + Top-p	generate 方法同时支持 Top-k 和 Top-p 采样
KV Cache	推理时缓存 K、V 避免重复计算
生成质量	训练 1-2 小时后能生成基本通顺的文本

高阶挑战（选做）

替换位置编码为 RoPE（参考 Llama 实现挑战的 RoPE 部分）
替换 LayerNorm 为 RMSNorm
替换 GELU 为 SwiGLU
实现 GQA（Grouped-Query Attention）
用 Flash Attention 替代手写注意力

常见陷阱

在实现过程中，以下问题最容易踩坑：

因果掩码的 shape 不对：掩码应该是 (1, 1, T, T) 的下三角矩阵，注意在前向传播时只截取当前序列长度的部分
损失计算时忘记 shift：GPT 的训练目标是"给定前 n 个 token 预测第 n+1 个"，所以 logits 和 targets 需要错位一个位置
Position Embedding 的索引：应该是 torch.arange(T)，不要写成 token indices
dropout 在推理时要关闭：model.eval() 会自动处理，但要确认 nn.Dropout 而非手动 dropout
数值溢出：注意力分数在 softmax 前可能很大，确保用了缩放（除以 $\sqrt{d_{k}}$ ）

参考时间分配

阶段	内容	建议时间
0	完成三个热身练习	30 分钟
1	实现 `CausalSelfAttention`	45 分钟
2	实现 `FeedForward` + `TransformerBlock`	30 分钟
3	实现 `MiniGPT`（forward + loss）	45 分钟
4	实现 `generate` 方法	30 分钟
5	训练脚本 + 调试	60-90 分钟
6	进阶功能（可选）	60+ 分钟

参考实现

完成挑战后点击查看参考实现（请先独立完成!）

python

import torch
import torch.nn as nn
import torch.nn.functional as F
import math
from dataclasses import dataclass


> 命名遵循 [karpathy/nanoGPT](https://github.com/karpathy/nanoGPT)（MIT）—— `c_attn`（fused QKV）、`c_proj`（output proj）、`wte/wpe`（token / position embedding）、`ln_f`（final LayerNorm）。这套命名直接对齐 OpenAI 原版 GPT-2 的权重 key，便于和 HuggingFace 的 `GPT2LMHeadModel` 对照。

@dataclass
class GPTConfig:
    block_size: int = 512
    vocab_size: int = 100
    n_layer: int = 6
    n_head: int = 8
    n_embd: int = 512
    dropout: float = 0.0
    bias: bool = True


class CausalSelfAttention(nn.Module):
    def __init__(self, config):
        super().__init__()
        assert config.n_embd % config.n_head == 0
        self.n_head = config.n_head
        self.n_embd = config.n_embd
        # 一次投影出 Q/K/V，节省 kernel launch
        self.c_attn = nn.Linear(config.n_embd, 3 * config.n_embd, bias=config.bias)
        self.c_proj = nn.Linear(config.n_embd, config.n_embd, bias=config.bias)
        self.attn_dropout = nn.Dropout(config.dropout)
        self.resid_dropout = nn.Dropout(config.dropout)
        self.dropout = config.dropout
        # PyTorch 2.0 的 SDPA 自带因果 mask 与 Flash Attention 后端
        self.flash = hasattr(F, 'scaled_dot_product_attention')
        if not self.flash:
            self.register_buffer(
                'bias',
                torch.tril(torch.ones(config.block_size, config.block_size))
                     .view(1, 1, config.block_size, config.block_size)
            )

    def forward(self, x):
        B, T, C = x.shape
        q, k, v = self.c_attn(x).split(self.n_embd, dim=2)
        q = q.view(B, T, self.n_head, C // self.n_head).transpose(1, 2)
        k = k.view(B, T, self.n_head, C // self.n_head).transpose(1, 2)
        v = v.view(B, T, self.n_head, C // self.n_head).transpose(1, 2)

        if self.flash:
            y = F.scaled_dot_product_attention(
                q, k, v,
                dropout_p=self.dropout if self.training else 0.0,
                is_causal=True,
            )
        else:
            att = (q @ k.transpose(-2, -1)) / math.sqrt(k.size(-1))
            att = att.masked_fill(self.bias[:, :, :T, :T] == 0, float('-inf'))
            att = F.softmax(att, dim=-1)
            att = self.attn_dropout(att)
            y = att @ v

        y = y.transpose(1, 2).contiguous().view(B, T, C)
        return self.resid_dropout(self.c_proj(y))


class MLP(nn.Module):
    def __init__(self, config):
        super().__init__()
        self.c_fc = nn.Linear(config.n_embd, 4 * config.n_embd, bias=config.bias)
        self.gelu = nn.GELU()
        self.c_proj = nn.Linear(4 * config.n_embd, config.n_embd, bias=config.bias)
        self.dropout = nn.Dropout(config.dropout)

    def forward(self, x):
        return self.dropout(self.c_proj(self.gelu(self.c_fc(x))))


class Block(nn.Module):
    """Pre-Norm Decoder Block"""
    def __init__(self, config):
        super().__init__()
        self.ln_1 = nn.LayerNorm(config.n_embd, bias=config.bias)
        self.attn = CausalSelfAttention(config)
        self.ln_2 = nn.LayerNorm(config.n_embd, bias=config.bias)
        self.mlp = MLP(config)

    def forward(self, x):
        x = x + self.attn(self.ln_1(x))
        x = x + self.mlp(self.ln_2(x))
        return x


class GPT(nn.Module):
    def __init__(self, config: GPTConfig):
        super().__init__()
        self.config = config
        self.transformer = nn.ModuleDict(dict(
            wte = nn.Embedding(config.vocab_size, config.n_embd),
            wpe = nn.Embedding(config.block_size, config.n_embd),
            drop = nn.Dropout(config.dropout),
            h = nn.ModuleList([Block(config) for _ in range(config.n_layer)]),
            ln_f = nn.LayerNorm(config.n_embd, bias=config.bias),
        ))
        self.lm_head = nn.Linear(config.n_embd, config.vocab_size, bias=False)
        # weight tying：embedding 和 lm_head 共享权重，省一个大矩阵
        self.transformer.wte.weight = self.lm_head.weight
        self.apply(self._init_weights)

    def _init_weights(self, m):
        if isinstance(m, nn.Linear):
            nn.init.normal_(m.weight, mean=0.0, std=0.02)
            if m.bias is not None:
                nn.init.zeros_(m.bias)
        elif isinstance(m, nn.Embedding):
            nn.init.normal_(m.weight, mean=0.0, std=0.02)

    def forward(self, idx, targets=None):
        b, t = idx.shape
        assert t <= self.config.block_size
        pos = torch.arange(0, t, dtype=torch.long, device=idx.device)

        x = self.transformer.drop(self.transformer.wte(idx) + self.transformer.wpe(pos))
        for block in self.transformer.h:
            x = block(x)
        x = self.transformer.ln_f(x)
        logits = self.lm_head(x)

        loss = None
        if targets is not None:
            loss = F.cross_entropy(logits.view(-1, logits.size(-1)), targets.view(-1))
        return logits, loss

    @torch.no_grad()
    def generate(self, idx, max_new_tokens, temperature=1.0, top_k=None):
        for _ in range(max_new_tokens):
            idx_cond = idx[:, -self.config.block_size:]
            logits, _ = self(idx_cond)
            logits = logits[:, -1, :] / temperature
            if top_k is not None:
                v, _ = torch.topk(logits, min(top_k, logits.size(-1)))
                logits[logits < v[:, [-1]]] = float('-inf')
            probs = F.softmax(logits, dim=-1)
            idx_next = torch.multinomial(probs, num_samples=1)
            idx = torch.cat([idx, idx_next], dim=1)
        return idx


# 验证
config = GPTConfig(vocab_size=100, n_embd=512, n_head=8, n_layer=6)
model = GPT(config)
x = torch.randint(100, (2, 16))
logits, _ = model(x)
print(f"logits shape: {logits.shape}")  # (2, 16, 100)

n_params = sum(p.numel() for p in model.parameters())
print(f"参数量: {n_params / 1e6:.1f}M")

完整的训练循环、AdamW 配置、学习率调度等可在 nanoGPT/train.py 中找到。

祝你实现顺利! 遇到困难时，回顾 Transformer 架构和注意力机制的内容会很有帮助。

MLM 代码训练模式

完成上面的固定填空后，试试随机挖空模式 -- 每次点击「刷新」会随机遮盖不同的代码片段，帮你彻底记住每一行。

因果自注意力（合并 QKV 投影 + 多头拆分 + 缩放点积）

共 77 个可挖空位 | 已挖 0 个

class CausalSelfAttention(nn.Module):
    def __init__(self, config):
        super().__init__()
        self.n_head = config.n_head
        self.n_embd = config.n_embd
        self.c_attn = nn.Linear(config.n_embd, 3 * config.n_embd, bias=config.bias)
        self.c_proj = nn.Linear(config.n_embd, config.n_embd, bias=config.bias)

    def forward(self, x):
        B, T, C = x.shape
        q, k, v = self.c_attn(x).split(self.n_embd, dim=2)
        q = q.view(B, T, self.n_head, C // self.n_head).transpose(1, 2)
        k = k.view(B, T, self.n_head, C // self.n_head).transpose(1, 2)
        v = v.view(B, T, self.n_head, C // self.n_head).transpose(1, 2)
        y = F.scaled_dot_product_attention(q, k, v, is_causal=True)
        y = y.transpose(1, 2).contiguous().view(B, T, C)
        return self.c_proj(y)

GPT Block（Pre-Norm 残差结构）

共 48 个可挖空位 | 已挖 0 个

class Block(nn.Module):
    def __init__(self, config):
        super().__init__()
        self.ln_1 = nn.LayerNorm(config.n_embd, bias=config.bias)
        self.attn = CausalSelfAttention(config)
        self.ln_2 = nn.LayerNorm(config.n_embd, bias=config.bias)
        self.mlp = MLP(config)

    def forward(self, x):
        x = x + self.attn(self.ln_1(x))
        x = x + self.mlp(self.ln_2(x))
        return x

GPT Forward + Generate

共 117 个可挖空位 | 已挖 0 个

def forward(self, idx, targets=None):
    b, t = idx.shape
    pos = torch.arange(0, t, dtype=torch.long, device=idx.device)
    x = self.transformer.drop(self.transformer.wte(idx) + self.transformer.wpe(pos))
    for block in self.transformer.h:
        x = block(x)
    x = self.transformer.ln_f(x)
    logits = self.lm_head(x)
    loss = None
    if targets is not None:
        loss = F.cross_entropy(logits.view(-1, logits.size(-1)), targets.view(-1))
    return logits, loss

@torch.no_grad()
def generate(self, idx, max_new_tokens, temperature=1.0, top_k=None):
    for _ in range(max_new_tokens):
        idx_cond = idx[:, -self.config.block_size:]
        logits, _ = self(idx_cond)
        logits = logits[:, -1, :] / temperature
        if top_k is not None:
            v, _ = torch.topk(logits, min(top_k, logits.size(-1)))
            logits[logits < v[:, [-1]]] = float('-inf')
        probs = F.softmax(logits, dim=-1)
        idx_next = torch.multinomial(probs, num_samples=1)
        idx = torch.cat([idx, idx_next], dim=1)
    return idx

GPT 实现挑战 (Level 4) ​

挑战目标 ​

热身练习 ​

热身 1：手写 GELU 激活函数 ​

热身 2：构造因果掩码 ​

热身 3：实现 KV Cache 更新 ​

需求规格 ​

模型配置 ​

必须实现的组件 ​

类骨架 ​

训练脚本骨架 ​

评估标准 ​

基础要求（必须达成） ​

进阶要求（挑战自我） ​

高阶挑战（选做） ​

常见陷阱 ​

参考时间分配 ​

参考实现 ​

MLM 代码训练模式 ​

因果自注意力（合并 QKV 投影 + 多头拆分 + 缩放点积） ​

GPT Block（Pre-Norm 残差结构） ​

GPT Forward + Generate ​

GPT 实现挑战 (Level 4)

挑战目标

热身练习

热身 1：手写 GELU 激活函数

热身 2：构造因果掩码

热身 3：实现 KV Cache 更新

需求规格

模型配置

必须实现的组件

类骨架

训练脚本骨架

评估标准

基础要求（必须达成）

进阶要求（挑战自我）

高阶挑战（选做）

常见陷阱

参考时间分配

参考实现

MLM 代码训练模式

因果自注意力（合并 QKV 投影 + 多头拆分 + 缩放点积）

GPT Block（Pre-Norm 残差结构）

GPT Forward + Generate