学习计划表
| Day | 对应 Task | 当天目标（做什么） | 产出物（交什么） |
| D1 | Task01 | 开营：了解整体路线；读前言+第1章，建立术语体系（token/embedding/loss等） | 术语表（≥20条）+ 第1章笔记 |
| D2 | Task02 | 2.1 注意力：Q/K/V、缩放点积、mask、multi-head 的直觉与公式 | 注意力机制笔记（含1张手绘/示意图） |
| D3 | Task02 | 2.1 代码理解：用 PyTorch/NumPy 写一个最小 attention（forward） | attention_demo.py/ipynb |
| D4 | Task02 | 2.2 Encoder-Decoder：整体数据流；训练 vs 推理；teacher forcing | Encoder-Decoder 流程图 + 笔记 |
| D5 | Task03 | 2.3 搭建 Transformer：拼装 Embedding/PosEnc/MHA/FFN/LN/Residual | 最小 Transformer 结构代码（可仅 forward） |
| D6 | Task04 | 3.1 Encoder-only：MLM 思路、适用任务；代表模型对比 | Encoder-only 笔记 + 对比表 |
| D7 | Task04 | 3.2 Encoder-Decoder：seq2seq 预训练目标；适用任务 | Encoder-Decoder PLM 笔记 |
| D8 | Task05 | 3.3 Decoder-only：自回归目标、causal mask、推理生成方式 | Decoder-only 笔记 + 生成流程说明 |
| D9 | Task06 | 第4章 LLM：规模化要素（数据/算力/架构）；对齐概念（SFT/RLHF等） | LLM 全景图（1张）+ 第4章笔记 |
| D10 | Task07 | 5.1 LLaMA2：阅读/实现关键模块（RMSNorm、RoPE、KV Cache等） | 选1个模块实现 + 单元测试/示例 |
| D11 | Task07 | 5.1 继续：把模块接到一个“可推理的小骨架模型”上（或跑通仓库示例） | mini_llama2_forward.py + 说明文档 |
| D12 | Task08 | 5.2 Tokenizer：BPE/WordPiece/Unigram 思路；训练一个 tokenizer | 训练脚本 + tokenizer 文件 + 说明 |
| D13 | Task08 | 5.2 Tokenizer 评估：比较不同 vocab size 对长度/覆盖率影响 | 对比实验记录（表格） |
| D14 | Task09 | 5.3 小型预训练：准备数据→构建 dataloader→跑通训练（可极小步数） | 训练脚本 + loss 曲线截图/日志 |
| D15 | Task09 | 5.3 收尾：用训练的模型做一次生成；全程复盘总结 | 结营报告 |