与「Stanford」相关的搜索结果

Stanford acaba de filtrar esta clase gratuita que explica cómo funcionan Claude y ChatGPT desde el interior La mayoría desperdicia el 90% de su potencial Stanford te lo enseña en 1 hora y 50 minutos Guarda esto en favoritos para que no lo pierdas.

Sam Altman, CEO de OpenAI: "Ya no hace falta escribir prompts." En 38 minutos explica cómo usar ChatGPT a un nivel que la mayoría ni se imagina. Es una charla que dio a estudiantes de Stanford. Un amigo me pasó la grabación anoche. Cuando terminé de verla me di cuenta de que solo le estaba sacando como un 15% de lo que puede hacer.

斯坦福 @stanfordnlp 新课 CME 295，双胞胎兄弟 @afshinea @shervinea 主讲，9 讲走完 LLM 全部版图：从 Transformer 架构、注意力变体、RoPE，到 LoRA 微调、RLHF/GRPO 训练，再到 Flash Attention 推理优化、MCP 与 AI Agent、扩散语言模型。 课程和知名速查表全部公开。

CS 329Z: Engineering AI Agents Stanford / Fall 2026 @stanfordnlp 课程定位：从"模型"到"系统"的工程学 覆盖：简单 LLM 流水线 → 复合 AI 系统 → 自主 Agent。三位讲师的背景也高度互补： @Diyi_Yang（斯坦福 NLP 教授，人机交互与社会计算方向） @michaelryan207（DSPy 核心贡献者，自动评估 AutoMetrics 作者） @jyangballin（SWE-agent / SWE-bench / SWE-smith 作者，软件工程 Agent 领域最重要的研究者之一） # 课程主线：三大工程挑战 贯穿全课的三个核心问题——分解（decomposition）、数据（data）、评估（evaluation）。11 周的内容基本围绕这三条线展开，可以分为五个模块： 模块 1：构建基元（Week 2–3） · LLM 作为构建材料：API/SDK（litellm）、结构化输出、约束生成、解码策略、test-time compute、上下文工程、模型选型与成本/延迟权衡 · RAG：embedding、向量库、分块策略、混合检索、cross-encoder 与 ColBERT 后期交互 · 工具调用：函数调用 API、MCP（Model Context Protocol）、工具设计、代码沙箱、错误处理与重试 模块 2：框架与设计模式（Week 3–5） · 框架层：DSPy（signature / module / optimizer）、LangChain/LangGraph、LlamaIndex，重点是"框架抽象了什么 vs. 你手写了什么" · 设计模式：workflow vs. agent 的分类学，五种可组合 workflow 模式，ReAct / plan-and-execute / reflection，"scaffold（脚手架）本身就是设计决策" · 记忆架构：短期/长期记忆、记忆作为工具动作、文件系统作为外化记忆、跨 Agent 记忆（MemGPT、Mem0、Generative Agents） · 多 Agent 系统：编排模式、handoff 与状态传递，以及一个很有态度的对照阅读——既读 AutoGen，也读《Why Do Multi-Agent LLM Systems Fail?》和 Neubig 的《Don't Sleep on Single-agent Systems》 模块 3：优化（Week 5） · 从提示词到微调的全景：GEPA、MIPROv2、OPRO、TextGrad（提示优化）；LoRA/QLoRA、蒸馏、RLHF/DPO（权重优化）；test-time scaling（推理算力） · 核心问题是决策框架：什么时候优化 prompt、什么时候优化 weights、什么时候堆推理算力 模块 4：数据与评估（Week 6–8）——最有分量的部分 · 数据：trace、demonstration、feedback 三类数据；训练数据 vs. 评估数据；数据飞轮；合成数据；从 Agent 轨迹构建数据集（SWE-smith） · 评估基础：为什么 eval 难；4 元组框架（request / environment / stopping criteria / scorer）；好 benchmark 的性质；tinyBenchmarks · 评估基础设施：三类 grader、LLM-as-judge 的 prompt 设计与已知偏差、pairwise vs. pointwise、非确定性指标 pass@k vs. pass^k、harness 设计 模块 5：安全与前沿（Week 8–11） · 安全：工具访问的隐私风险、prompt injection（含间接注入）、红队、沙箱与权限模型、输出护栏、human-in-the-loop · Coding Agent：SWE-agent、Claude Code、OpenHands 的端到端架构对比 · 主动式 Agent：从 reactive 到 proactive，General User Models（GUM）、Next Action Prediction，以及"Agent 何时应主动、何时应等待"的 mixed-initiative 问题 · 开放问题：多模态/web/计算机使用 Agent、科学 Agent、长时运行架构、生产可观测性（tracing、monitoring、成本管理） # 作业设计：一手建、一手评 HW1：从零构建 Agent 系统（10%） 给定论文库，构建能检索并推理回答科学问题的 Agent。 · Part A：只用 litellm 手写 RAG + 工具调用 + ReAct 式 Agent 循环 · Part B：用 DSPy 重建关键组件，并反思框架抽象了什么 HW2：评估一个 Agent（10%） 给定一个预构建 Agent，设计完整评估套件：代码型 grader、至少一个 LLM-as-judge、用 4 元组框架构建 benchmark 任务、错误分析。

Auch der Forschungsausschuss des Bundestags ist gerade in Sachen KI unterwegs. Waren heute bei OpenAI in San Francisco. Besuchen Berkeley und Stanford und die führenden KI Firmen. Deutschland darf nicht noch mehr in eine neue Abhängigkeit geraten. Wir brauchen eigene KI Modelle

今晚少看一部剧，把这堂2小时34分钟的Stanford课程看完。 它从Tokenization、BPE一路讲到Transformer、预训练、RLHF、DPO和逐Token生成，完整拆解ChatGPT、Claude这类大模型是如何构建出来的。 无论刚接触AI，还是已经在开发Agent，都值得收藏。

I recently signed a 2-year, $12M NBA contract. Looking back, 3 decisions shaped how I got here: 1. Turned down an extra ~$250K to transfer for my 5th year and stayed at Stanford. 2. Chose to go undrafted instead of getting drafted so I could pick the best situation. That led me to Denver. 3. Turned down a ~$2M guaranteed extension to bet on myself in free agency. I risked injury, poor play, or getting nothing. I ended up earning roughly 3x that offer. Three times I had the opportunity to take the money/status in front of me. Three times I chose the option I thought gave me the best long-term expected value. $250K → No. Getting drafted → No. $2M guaranteed → No. Eventually → $12M. Sometimes the biggest risk is taking the safe option too early. #NBA# #Sportsbusiness# #Finance#

🚨 NATIONAL-SECURITY SCANDAL: Stanford’s former aerospace chief spent 14 years reviewing engine programs for the F-22 and F-35. Then he quietly trained researchers at a blacklisted Chinese defense university—and presented unpublished sensitive work there. 🧵

Instead of watching 2 hours of Netflix tonight, watch this Stanford lecture. It’s the clearest end-to-end explanation I’ve seen of how ChatGPT and Claude are actually built. From tokenization and BPE all the way to the transformer architecture, training pipeline, and next-token decoding. Whether you’ve never written a line of AI code or you’ve been shipping agents every day, this 2h 34min session will click things into place that most people take years to figure out. Bookmark it and clear the time this weekend, because this might be the single most valuable thing you learn all month.

Introducing B3IQ. A new model to own, run and monetize compute. Already being used by faculty, researchers, and student teams at Stanford, NYU, Penn, UChicago, Dartmouth, Waterloo, and the University of Hawaiʻi.