北京
斯坦福把一门LLM课程的课表公开了。课程编号CME 295，名字叫《Transformers & Large Language Models》，一共9讲。第1讲的视频已经上线，剩下的按周更新。
这份课表最值得看的地方，是它怎么分配这9讲的权重。强化学习一口气占了3讲，讲的是RLHF、DPO、PPO、GRPO。这个比例在同类课程里并不常见，很多课把强化学习压缩成一节导论就过去了。
从架构到调参的完整链条
前几讲落在基础层：Attention、Transformer架构。这是理解后面所有内容的入口，也是很多人自学时跳得最快、后来补得最痛苦的部分。
往中间走，课程覆盖了Mixture of Experts、LoRA这类模型结构和微调方法。再往后是强化学习的三讲，对应的是模型对齐和调参环节。
这条线拉下来，从底层架构到训练调优，基本是一条完整的路径，而不是零散知识点的拼盘。
被单独拎出来的工程问题
课表里有两个模块值得单独说：RoPE（旋转位置编码）和KV Cache。
这两个都属于运行性能和内存友好型算法，是工业界真正在意的部分。把它们单独列出来，说明课程不只停在理论推导，也把实际跑起来会遇到的问题算了进去。
同样偏工程的还有FlashAttention，以及评估环节的LLM-as-a-judge。
从静态模型走向执行系统
课表里出现了MCP协议和AI Agent的专门模块。
这意味着课程的视角不局限于一个训练好的静态模型，而是延伸到动态执行系统。当前AI往端到端自动化走，Agent和协议扩展正好是这个方向上的关键拼图。
另外，课程还提到了扩散语言模型。目前主流仍是Transformer，但把扩散这条生成式建模路线放进来，说明课程保留了多元视角。
9讲内容按周更新，第1讲已经可以看。想系统补LLM基础的人，这份课表本身就可以当作一份学习路线图来用。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
