原项目与地址:《reasoning-from-scratch》
本项目是对GitHub项目《reasoning-from-scratch》内容的中文翻译，包括详细的markdown 笔记和相关的jupyter 代码。翻译过程中，我们尽可能保持原意的准确性，同时对部分内容进行了语序和表达的优化，以更贴合中文学习者的阅读习惯。需要特别说明的是，原作者为该项目的主要贡献者，本汉化版本仅作为学习辅助资料，不对原内容进行修改或延伸。
由于个人能力有限，翻译中可能存在不完善之处，欢迎提出宝贵意见并多多包涵 希望通过这一翻译项目，更多中文学习者能够从中受益，也希望为国内社区的 LLM 学习和研究贡献一份力量。
本项目的特色： jupyter代码均有详细中文注释，帮助大家更快上手实践。 诸多的附加材料可以拓展知识
本项目所用徽章来自互联网，如侵犯了您的图片版权请联系我们删除，谢谢。
谈到推理型大语言模型（Reasoning LLMs），人们往往把“推理”视作某种遥不可及的黑盒特性。但在《Reasoning-from-scratch》中，我们强调的是：推理依旧扎根于常规 LLM 技术，只是通过更精细的思路管理、链式思考、推理时扩展等方法，将模型的思考过程显性化、结构化。也就是说，推理型 LLM 并非脱离机器学习体系的“独立分支”，而是在深度学习基础上进一步增强逻辑推导、假设验证与反思能力的实战路径。*
原项目与地址:《reasoning-from-scratch》 https://github.com/rasbt/reasoning-from-scratch.git
在 《reasoning-from-scratch》项目致力于在传统 从零实现 LLM 的基础上，进一步探索 推理这一关键能力：课程依旧提供扎实的 Transformer/序列建模底层实现，但重点转向如何评估推理模型，让现有 LLM 获得链式思考、推理时扩展、强化学习微调等能力。每个环节都配有完整代码与讲解，帮助学习者亲手打造具备可解释推理能力的小型模型，并理解更大推理模型的核心思路。
此外，本门课程还有相应的代码实现。每章都有相应的jupyter记事本，提供模型的完整python代码，所有的资源都可在网上免费获取。
本仓库收录了用于开发 LLM 推理模型的全部代码，也是图书 Build a Reasoning Model (From Scratch) 的官方代码库。
（彩色印刷。）
在 Build a Reasoning Model (From Scratch) 一书中，你将系统学习并理解推理型大语言模型（LLM）的工作方式。
“推理”是近年来改进 LLM 的最重要、也最容易被误解的能力之一。如果只是在纸面上阅读相关理论，很难真正掌握；因此，本书采用动手实践的方式。我们会从一个预训练的基础 LLM 起步，然后亲自一步步在代码中加入推理能力，确保看清每一步发生了什么。
本书介绍的方法会引导你完成一个“麻雀虽小、但足够用”的推理模型，主要用于教学演示。整个流程与 DeepSeek R1、GPT-5 Thinking 等大规模推理模型的实现思路相呼应。此外，本书还包含加载现有预训练模型权重的示例代码。
- 官方 源代码仓库
- Manning 官网图书链接
- Amazon 图书页（待更新）
- ISBN 9781633434677
如果想下载代码仓库，可点击 Download ZIP，或在终端执行以下命令：
git clone --depth 1 https://github.com/rasbt/reasoning-from-scratch.git提示： 第 2 章提供了安装 Python、管理依赖与配置开发环境的更多建议。
| 章节标题 | 主体代码 |
|---|---|
| 第 1 章：理解推理模型 | 无代码 |
| 第 2 章：使用预训练 LLM 生成文本 | -ch02_main.ipynb - ch02_exercise-solutions.ipynb |
| 第 3 章：评估推理模型 | -ch03_main.ipynb - ch03_exercise-solutions.ipynb |
| 第 4 章：利用推理时扩展提升推理能力 | -ch04_main.ipynb - ch04_exercise-solutions.ipynb |
| 第 5 章：通过自我改进实现推理时扩展 | 待补充 |
| 第 6 章：用强化学习训练推理模型 | 待补充 |
| 第 7 章：蒸馏推理模型以实现高效推理 | 待补充 |
| 第 8 章：完善推理流水线与未来方向 | 待补充 |
| 附录 A：参考资料与延伸阅读 | 无代码 |
| 附录 B：习题解答 | 代码与解答分布在各章节子目录 |
| 附录 C：Qwen3 LLM 源码 | -chC_main.ipynb |
| 附录 D | 待补充 |
| 附录 E | 待补充 |
| 附录 F：LLM 评估的常见方法 | -chF_main.ipynb |
下图给出了本书主要技术路线的心智图总结。
请注意，《Build A Reasoning Model (From Scratch)》是一部专注于 LLM 推理方法的独立著作。
在书中，我们基于一个开源预训练基础模型（Qwen3），在其之上从头实现多种推理技术，包括推理时扩展、强化学习与蒸馏。
如果你还想了解常规基础 LLM 的内部实现，可以参考我前一本书 Build a Large Language Model (From Scratch)。
本书主要章节的代码设计为可在消费级硬件上于合理时间内运行，无需专门的服务器配置，也能自动检测并利用可用的 GPU。第 2-4 章在 CPU 或 GPU 上都能顺畅执行；若要复现实验 5、6 章的结果，推荐使用 GPU。
（更多建议可参见 setup_tips 文档。）
每章都会安排若干练习。解答概要集中在附录 B，对应的代码笔记位于各章主目录中（例如 ch02/01_main-chapter-code/ch02_exercise-solutions.ipynb）。
下列目录提供了额外的可选内容，供感兴趣的读者拓展：
- 第 2 章：使用预训练 LLM 生成文本
- 第 3 章：评估 LLM
- 第 4 章：利用推理时扩展改进推理
- 附录 F：LLM 评估的常见方法
欢迎通过 Manning 论坛 或 GitHub Discussions 提交任何反馈、疑问或想法。
请注意：由于本仓库对应用纸质书的内容进行配套，因此目前无法接受会扩展章节主体内容的贡献，以免与实体书产生不一致。保持同步可让所有读者都获得一致体验。
如果这本书或代码对你的研究有所帮助，欢迎引用。
Chicago 引用格式：
Raschka, Sebastian. Build A Reasoning Model (From Scratch). Manning, 2025. ISBN: 9781633434677.
BibTeX 条目：
@book{build-llms-from-scratch-book,
author = {Sebastian Raschka},
title = {Build A Reasoning Model (From Scratch)},
publisher = {Manning},
year = {2025},
isbn = {9781633434677},
url = {https://mng.bz/lZ5B},
github = {https://github.com/rasbt/reasoning-from-scratch}
}
