Construa um Modelo de Raciocínio (Do Zero)

Ganhe o eBook grátis ao registrar seu livro impresso na Manning.

"Uma imersão profunda excepcional na próxima fronteira da IA."
—Aman Chadha, Google

Este livro é um guia prático para entender como os LLMs modernos orientados ao raciocínio funcionam, construindo seus métodos centrais passo a passo. O livro conta uma história de engenharia clara: comece com um LLM pré-treinado convencional, aprenda como a geração de texto funciona, construa ferramentas confiáveis de avaliação, melhore o raciocínio por meio de métodos em tempo de inferência e depois avance para abordagens baseadas em treinamento, como aprendizado por reforço e destilação.

A progressão é deliberada. Os capítulos iniciais estabelecem o modelo de base e explicam a geração de texto, o cache KV e a avaliação com verificadores matemáticos. Os capítulos do meio mostram como o raciocínio pode ser aprimorado sem alterar os pesos do modelo, usando prompting de cadeia de pensamento, amostragem, autoconsistência, pontuação de respostas e autorrefinamento. Depois, os capítulos avançam para a alteração do próprio modelo por meio de aprendizado por reforço com recompensas verificáveis, melhorias do GRPO, recompensas de formato e, por fim, destilação de modelos de raciocínio mais fortes em modelos menores.

O livro é especialmente útil porque implementa os métodos centrais do zero, em vez de tratá-los como chamadas de biblioteca em caixa-preta. Os leitores veem como autoconsistência, autorrefinamento, Best-of-N e métodos baseados em treinamento realmente funcionam, incluindo seus trade-offs de custo e latência. Ele também discute modos de falha comuns, incluindo casos em que o refinamento pode piorar as respostas. Conceitos difíceis como softmax, temperatura e amostragem top-p são esclarecidos com explicações vinculadas ao código e diagramas, e fluxos de trabalho visuais tornam os pipelines e os métodos de pontuação mais fáceis de acompanhar.

Ler o livro parece seguir uma construção técnica guiada, e não uma visão geral solta de tópicos de IA. Cada conceito é apresentado porque o projeto agora precisa dele. Diagramas, roteiros, listagens de código, exercícios e resumos repetidos dos fluxos de trabalho ajudam os leitores a manter o foco ao longo do material avançado. Essa estrutura reflete a força profissional de Sebastian Raschka: explicar tópicos complexos de aprendizado de máquina tornando cada detalhe concreto e mostrando exatamente onde cada seção se encaixa na história maior. Ele não trata mecanismos como avaliação, log-probabilidades, regularização KL ou destilação como abstrações isoladas; ele os conecta ao objetivo de tornar modelos de raciocínio compreensíveis e implementáveis.

Fisicamente e em termos de organização, o livro tem oito capítulos e sete apêndices substanciais. Esse design mantém a narrativa principal focada, ao mesmo tempo que move material de apoio como referências, soluções de exercícios, código-fonte do modelo, modelos maiores, batching, alternativas de avaliação e in