机器学习大神批判高校 AI 教学：fast.ai 的自顶向下革命
文章批判了当前大学 AI 教育重理论轻实践、先筑高数门槛的弊端，认为这应像学骑车一样先上手。介绍了机器学习大神推出的免费课程 fast.ai，采用“自顶向下”教学法，首节课即通过实战让模型上线，强调产品交付能力优于学术头衔，旨在打破学术精英主义，普及实用技能。
相关文档
a16z深度对谈：每天只学2小时？AI 时代如何彻底重塑我们的学校
本文整理了 a16z 播客中 Alpha School 创始人 Joe Liemandt 与 HAA 学院联合创始人 Gagan Biyani 的深度对谈，探讨 AI 时代的教育变革。核心观点：结合认知科学与大语言模型的学习引擎可将知识获取速度提升 10 倍，学生每天仅需 2 小时核心学术学习；剩余时间用于培养领导力、创业精神、金融素养等真实世界技能。文章强调从被动防御转向主动进攻，通过 Vibe Coding、机器人实战等方式培养 AI 原生一代成为乐观的'未来建设者'，教育正经历范式转移的历史转折点。
自己动手做LoRA 从 0 到 1 实战
作者详细记录了从零开始训练一个专属人物 LoRA 的完整实战流程。他使用 GPT Image 2 生成 56 张虚构人物训练数据，基于开源模型 MOSS-Image（5B 参数 Diffusion Transformer）进行微调，仅用一张 RTX 4090 训练约 65 分钟即获得稳定的人物形象生成能力。文章涵盖数据准备、Caption 标注、Checkpoint 选择、效果验收等关键环节，并指出了过拟合等常见问题。作者将整个流程开源到 GitHub，提供运行环境镜像、Jupyter Notebook 和 ComfyUI 工作流，建议初学者亲手跑一遍以真正理解 LoRA 训练原理，一通百通。
现在普通人也能从零训练一个 Reasoning Model 了
Sebastian Raschka 公开了一套完整课程《Building Reasoning Models from the Ground Up》，包含 8 节视频、11+ 小时内容，基于 Qwen3 0.6B 小模型，用 Python + PyTorch 实现现代推理模型的关键技术，包括 Inference-Time Scaling、Verifier、GRPO 强化学习、KL/Clipping 训练稳定性控制、Reward Hacking 以及基于 DeepSeek-R1 数据的推理蒸馏。课程让学习者可以亲手运行训练循环，观察模型生成推理路径、根据奖励更新参数的全过程，大幅降低了理解推理模型的门槛，使推理模型训练从少数实验室技术变为可动手验证的工程知识。
我带高校老师用 WorkBuddy，两天把两门旧课合成一门本科新课｜培训全分享（上）
作者记录了在天津职业大学为职业本科教师开展两天智能体工作坊的过程，讲解如何用 WorkBuddy（Agent 类工具）将两门专科旧课合并开发出一门职业本科新课《包装材料应用和检测技术》。文章首先厘清三个底层认知：Agent 不同于 Chatbot，具备工具、状态、循环三大能力；上下文是 AI 不知道但对任务至关重要的信息，应让 Agent 自行从本地文件获取；工作空间是房子、上下文窗口是桌面，文件夹须分类清晰。实操部分演示了用 SGP 提示词让 Agent 先盘点 37 份材料、找出 27 处矛盾，再通过建立 CODEBUDDY.md 系统提示词和 00_项目总览.md 项目分身文件，实现文件夹分区管理、原始材料只读、事实区分已确认与待核实等协作规范。
Sebastian Raschka 免费视频课：从零构建推理模型
《从零构建大模型》作者 Sebastian Raschka 推出 8 集共 11 小时的免费视频课，配合新书《从零构建推理模型》，教你用 PyTorch 基于 Qwen3 0.6B 从零实现推理模型。课程内容涵盖 KV cache、数学答案验证器、self-consistency 多数投票、自我修正、简化版 GRPO（RLVR）训练、reward hacking 以及 DeepSeek R1 蒸馏。前几集 CPU 或 Mac Apple 芯片即可运行，只需会 Python 和 PyTorch 即可直接学习。视频与代码仓库均已开源。
教你用AI创作绘本、动画和互动课件
本文介绍了腾讯出品的AI趣味学习社区“懂了鸭”，一款面向青少儿成长、融合趣味学习与AI创作的内容平台。作者实测演示了其四大核心功能：生成闯关小游戏、做动画、做绘本和制作动态课件，并详细说明了知识树分类、作品改编、模型选择（Deepseek、混元、GLM等）以及积分消耗情况。平台目前处于邀请内测阶段，注册即送积分，适合家长和教师为孩子快速创作AI教育内容。
手把手带你解锁 N 卡隐藏算力（Linux｜RTX 30 系部分型号、4090、4070 Ti SUPER）
作者分享了 Linux 下使用 gpu-unlock 项目解锁 NVIDIA 显卡 Tensor Core 算力限制的实践。该项目通过在驱动加载前修改控制运算速度的寄存器，解除 FP16/BF16 输入、FP32 累加运算的限速。作者在 RTX 4070 Ti SUPER 上用 Codex 辅助完成兼容性检查、编译模块、创建实验启动项和断电重启等步骤，实测 8192×8192 矩阵 FP16 乘法耗时从 12.15ms 降至 6.49ms，吞吐接近翻倍至约 190 TFLOPS，且数值校验通过。社区反馈该解锁可使本地大模型 prefill 提速 30%–50%，decode 速度基本不变。
从 Agent Loop 到推理引擎：哈佛 CS2680 现代AI系统课程深度解读
本文深度解读哈佛大学2026年秋季Juncheng Yang开设的研究生课程CS2680《现代AI系统：Agent与系统优化》。课程以一条主线贯穿agent循环到LLM推理serving栈，通过五个递进式作业逐层解剖系统：A1为Claude Code构建Web前端，A2从零实现最小agent harness，A3在黑盒API下优化成本与延迟并引入排行榜竞争，A4自建推理引擎部署开源模型，A5全栈profile驱动的假设验证优化。文章还分析了课程的AI使用政策（强制披露、Claude Code session存档审计）、leaderboard评分机制、严格的20% A档曲线以及体现系统研究方法论的期末项目设计，展示了'AI时代如何教系统课'的完整答案。
一个人、一台电脑、8分钟AI短剧：从《黄果》逆向拆出来的13步流水线（万字实操指南）
本文通过对8分钟AI短剧《黄果》成片（117个镜头）的逐帧逆向拆解，总结出一套可复现的13步AI短剧制作流水线。文章首先对比云端托管、本地开源、混合路线三条技术路径及成本考量，然后详解从LLM编写分镜脚本、角色LoRA训练、场景模板建立、关键帧生成、人工精修、I2V/TI2V视频生成、对口型处理，到后期超分补帧、TTS配音混音等每一步的操作要点、验证标准与错误应对方案。文末还总结了重复帧、短镜头策略、LoRA维护、精修比例等行业认知，以及模型在长动作、多人互动、文字生成等方面的能力边界。
AI 教学辅助：6 个 GitHub 仓库覆盖备课出题答疑复习
文章介绍了想将 AI 应用于教学的 6 个 GitHub 开源仓库，按教学任务分类：QuizWeaver 用于备课出题，可从授课内容生成题目和教案；anything-to-course 是 Agent Skill，把资料组织成课程大纲和复习计划；Agentic-AI-Tutor 基于上传材料答疑并附引用；studyforge 提供课程生成、测验和间隔复习；freelingo 面向语言学习场景；lextures 用于课程与成绩管理。作者建议按任务选择工具，并注意部署和模型要求，最终教学适配仍需人工核对。
读 2.83% 的 key 就够了
一位18岁大学生仅用iPhone 16e和Kaggle笔记本，开发出稀疏注意力机制ALHR（Adaptive Learnable Hierarchical Routing）。该方法通过给key矩阵构建静态二叉树，配合预算预测器、邻居搜索和树下降三步推理，让每个query只读取所需key。在1024 token的MQAR测试中，仅读取2.83%的key即可达到92.1%准确率（稠密基线94.9%），KV压缩35.3倍。训练分三段：先训稠密教师模型，再用其注意力矩阵标注top-k key训练树模块，最后无教师联合训练。目前因未做kernel优化比稠密注意力慢约10倍，代码由Claude Sonnet 5.5生成，Apache-2.0开源。
用一部全动画视频开始学习 GPU 编程（Triton 系列）
作者发布了一个全动画形式的 GPU 编程系列讲座首集，时长约一小时，通过可视化方式讲解 GPU 工作原理。内容涵盖：GPU 在计算机中的位置（PCIe、NVLink、集群）、NVIDIA H100 内部结构（SM、张量核心、共享内存）、线程/warp/block/grid 概念、内存体系（SRAM、DRAM、HBM、缓存）、延迟隐藏与核融合等优化技术，以及 Triton 的设计理念。还介绍了 FlashAttention 如何优化注意力计算。讲座无需 CUDA 或硬件背景，后续将推出 Triton kernel 编写和推理优化等课程。
