大语言模型（LLMs）的爆发式增长引领了人工智能领域的范式转移，取得了巨大的工程成功。然而，一个关键的悖论依然存在：尽管 LLMs 在实践中表现卓越， 但其理论研究仍处于起步阶段，导致这些系统在很大程度上被视为难以捉摸的「 黑盒」。 为了打破这一僵局，中国人民大学的研究者们采用了一种统一的基于生命周期的分类法，将 LLM 理论研究整合为六个阶段：数据准备、模型准备、训练、对齐、 推理和评估。 本文系统综述了驱动 LLM 性能的底层理论与机制，深入分析了数据混合的数学依据、不同架构的表示极限以及对齐算法的优化动力学，并指出了合成数据自我提 升、安全保证数学边界等前沿挑战。本综述旨在为 LLM 发展从工程启发式方法向严谨科学学科的转型提供结构化路线图。 论文标题：Beyond the Black Box: Theory and Mechanism of Large Language Models 论文链接：https://arxiv.org/abs/2601.02907 引言 近年来，ChatGPT、DeepSeek、Llama、Claude 等模型的涌现标志着 AI 领域的深刻变革。随着系统规模的扩大，LLMs ...