5 cuốn sách miễn phí mà mọi LLM Engineer nên đọc

Rất nhiều người hiện nay muốn học sâu về large language model (LLM). Các khóa học online hay bài viết ngắn chắc chắn hữu ích để có cái nhìn tổng quan, nhưng nếu muốn thực sự hiểu cách LLM hoạt động, sách vẫn là một trong những nguồn tài liệu giá trị nhất.

Điểm mạnh lớn nhất của những cuốn sách này nằm ở cấu trúc kiến thức. Nội dung thường được xây dựng theo trình tự logic và liên kết chặt chẽ hơn so với nhiều khóa học online vốn đôi khi khá rời rạc. Và nếu bạn muốn nghiêm túc tìm hiểu về LLM, đây là 5 tài liệu được khuyến nghị đầu tiên.

1. Foundations of Large Language Models

Foundations of Large Language Models là một trong những cuốn sách mới nhưng được đánh giá rất cao nhờ cách trình bày rõ ràng và có cấu trúc tốt về cách LLM được xây dựng, huấn luyện và alignment như thế nào.

Xuất bản đầu năm 2025 bởi Tong Xiao và Jingbo Zhu — hai tên tuổi quen thuộc trong lĩnh vực NLP — cuốn sách không chạy theo xu hướng “điểm mặt mọi architecture mới”, mà tập trung giải thích các cơ chế nền tảng phía sau những model hiện đại như GPT, BERT hay LLaMA.

Một điểm đáng chú ý là sách nhấn mạnh rất mạnh vào foundational thinking. Thay vì chỉ giải thích cách dùng model, nội dung đi sâu vào các câu hỏi như:

• Pre-training thực sự là gì
• Generative model hoạt động bên trong ra sao
• Vì sao prompting lại quan trọng
• Alignment thực chất nghĩa là gì khi con người cố gắng điều chỉnh hành vi AI

Cuốn sách tạo được sự cân bằng khá tốt giữa lý thuyết và implementation, phù hợp cho cả sinh viên lẫn practitioner muốn xây nền tảng khái niệm vững chắc trước khi bắt đầu experiment với LLM thực tế.

2. Speech and Language Processing

Nếu muốn học NLP và LLM một cách bài bản, Speech and Language Processing gần như là tài liệu “kinh điển” mà rất nhiều trường đại học hàng đầu sử dụng.

Cuốn sách của Daniel Jurafsky và James H. Martin hiện đã được cập nhật mạnh ở bản draft 3rd edition để bao phủ các chủ đề NLP hiện đại như Transformer, LLM, automatic speech recognition với Whisper hay text-to-speech bằng EnCodec và VALL-E.

Điểm nhấn của sách là cách trình bày có hệ thống. Nội dung bắt đầu từ những nền tảng rất cơ bản như token, word representation và Unicode, sau đó dần đi lên các chủ đề phức tạp hơn như embedding, transformer, LLM training, alignment hay conversation structure.

Ngoài phần large language model, sách còn mở rộng sang rất nhiều lĩnh vực liên quan như:

• Machine translation
• Information retrieval
• RAG,
• Sequence labeling
• Dependency parsing
• Semantic role labeling
• Discourse coherence

Điều này khiến nó không chỉ là sách về LLM, mà gần như là một “bản đồ toàn cảnh” của NLP hiện đại.

3. How to Scale Your Model: A Systems View of LLMs on TPUs

Rất nhiều tài liệu về LLM tập trung vào model architecture, nhưng lại ít nói về cách các mô hình này thực sự chạy trên hạ tầng phần cứng quy mô lớn. How to Scale Your Model: A Systems View of LLMs on TPUs đi theo hướng hoàn toàn khác khi tập trung vào góc nhìn systems engineering của LLM.

Cuốn sách giải thích cách TPU và GPU hoạt động ở tầng thấp, cách các accelerator giao tiếp với nhau cũng như các bottleneck thực tế xuất hiện khi huấn luyện hoặc inference model khổng lồ.

Điểm đáng giá là các tác giả đều từng làm việc trực tiếp với hệ thống LLM production tại Google, nên nội dung mang tính thực chiến rất cao. Sách đi từ những khái niệm như roofline model, memory bandwidth và FLOPs cho tới:

• Sharding
• Tensor parallelism
• Pipeline parallelism
• FSDP
• Distributed training
• Inference optimization
• Serving LLaMA trên TPU

Ngoài ra còn có các phần cực kỳ thực tế về latency, KV cache, batch size và profiling bằng XLA compiler.

Nếu muốn hiểu vì sao training hoặc serving LLM ở quy mô lớn lại khó và đắt đỏ đến vậy, đây là một trong những tài liệu rất đáng đọc.

4. Understanding Large Language Models: Towards Rigorous and Targeted Interpretability Using Probing Classifiers and Self-Rationalisation

Understanding Large Language Models: Towards Rigorous and Targeted Interpretability Using Probing Classifiers and Self-Rationalisation không phải textbook truyền thống mà thực chất là luận án tiến sĩ của Jenny Kunz tại Linköping University. Tuy nhiên, ây là một trong những tài liệu rất thú vị vì nó tập trung vào chủ đề interpretability — lĩnh vực ngày càng quan trọng trong AI hiện đại.

LLM hiện nay cho kết quả cực kỳ ấn tượng, nhưng một vấn đề lớn là con người vẫn chưa thực sự hiểu rõ model đưa ra quyết định bằng cách nào.

Luận án này nghiên cứu hai hướng tiếp cận chính để “giải mã” LLM.

Hướng đầu tiên là probing classifier — phân tích các layer bên trong model để xem từng lớp đang lưu loại thông tin gì và hiểu hạn chế của các phương pháp probing hiện tại.

Hướng thứ hai là self-rationalisation, tức nghiên cứu các explanation mà model tự sinh ra để giải thích cho prediction của chính nó. Tác giả phân tích xem loại explanation nào thực sự hữu ích cho downstream task và loại nào chỉ “nghe có vẻ hợp lý” với con người.

Đây là tài liệu đặc biệt phù hợp với researcher hoặc engineer muốn xây các hệ thống AI minh bạch và dễ kiểm soát hơn.

5. Large Language Models in Cybersecurity: Threats, Exposure and Mitigation

LLM không chỉ tạo ra cơ hội mà còn kéo theo rất nhiều rủi ro bảo mật mới. Large Language Models in Cybersecurity: Threats, Exposure and Mitigation tập trung hoàn toàn vào khía cạnh này.

Tài liệu giải thích cách LLM có thể vô tình rò rỉ dữ liệu riêng tư, hỗ trợ phishing, social engineering hoặc sinh ra code chứa lỗ hổng bảo mật.

Điểm đặc biệt là sách không chỉ nói về nguy cơ lý thuyết mà còn đi sâu vào các tình huống thực tế liên quan tới:

• Monitoring việc triển khai LLM
• Copyright
• Legal risk
• Investment exposure
• Adversarial attack
• Red teaming
• Safety standard

Ngoài ra, tài liệu cũng bàn khá sâu về privacy-preserving training và các kỹ thuật phòng vệ giúp giảm rủi ro khi triển khai hệ thống LLM trong môi trường thực tế.

Trong bối cảnh AI đang được tích hợp ngày càng nhiều vào doanh nghiệp, security và safety gần như đã trở thành kỹ năng bắt buộc với LLM engineer thay vì chỉ là chủ đề phụ.

Một lộ trình học LLM tương đối toàn diện

Điểm thú vị nhất của danh sách trên là mỗi cuốn sách tiếp cận LLM từ một góc nhìn hoàn toàn khác nhau.

Có tài liệu tập trung vào foundation và theory. Có cuốn đào sâu NLP và linguistics. Có tài liệu đi theo hướng systems engineering, interpretability hoặc cybersecurity. Khi ghép lại, chúng tạo thành một lộ trình học khá toàn diện cho bất kỳ ai muốn nghiêm túc theo đuổi large language model engineering.

Trong thời đại AI thay đổi quá nhanh, việc chỉ học qua tutorial ngắn thường khiến kiến thức bị rời rạc. Những tài liệu nền tảng kiểu này có thể mất nhiều thời gian hơn để đọc, nhưng lại giúp xây tư duy dài hạn — thứ quan trọng nhất với một LLM engineer thực thụ.