LLM WIKI · 课程精读

PAPERS · MODELS · RESEARCH PRACTICE

深度学习
组会精读
图文学习试读版

围绕生成模型、强化学习、表征学习与研究方法建立一条可检索、可复习的论文学习路线。

开始试读 →查看课程地图 ↓
COURSE MAP · PILOT

三阶段 · 六个主题单元

目前开放 Scaling Law、神经微分方程与生成表征空间三节试读；其余章节已完成主题归组，将随人工复核原位补全。

  1. 01
    阶段 1 · 理解模型与训练规律2:12:33整理中

    规模化训练与强化学习

    从 Scaling Law、GRPO 与 On-Policy Distillation 理解模型能力如何随计算、数据和后训练策略变化。

    • 路径先建立资源—损失的尺度观，再进入强化学习与在线蒸馏，比较不同后训练方法改变的是效率还是能力边界。
    阅读试读内容 →已有图文试读
  2. 02
    阶段 1 · 理解模型与训练规律1:54:59整理中

    连续时间生成与表征空间

    串联 Neural ODE、Diffusion、Flow Matching 与新型 latent 表征，建立现代生成模型的连续动力学视角。

    • 路径先理解状态如何沿连续动力系统演化，再追问生成过程究竟发生在 VAE latent、表征空间还是原生像素中。
    阅读试读内容 →已有图文试读
  3. 03
    阶段 2 · 建立视觉生成与表征谱系1:27:59待整理

    视频生成、蒸馏与世界模型

    比较视频生成模型的加速蒸馏路线，并追踪世界模型从感知生成到交互建模的演化。

    • 路径把生成模型的部署效率与环境建模能力放在一起，观察视频模型从快速采样走向可交互世界表征。
    查看主题路线 →正文待人工整理
  4. 04
    阶段 2 · 建立视觉生成与表征谱系2:14:34待整理

    视觉表征与统一序列建模

    从自监督表征、图像 token 化与 Pix2Seq 路线观察视觉任务如何走向统一建模。

    • 路径沿着表征学习、token 化和序列预测三条线，理解视觉任务为何逐渐共享同一套建模语言。
    查看主题路线 →正文待人工整理
  5. 05
    阶段 3 · 拓展跨领域研究能力45:10待整理

    文本表示学习谱系

    梳理生成式、掩码式、编解码式与向量检索式文本表示方法之间的承接关系。

    • 路径用一条模型谱系比较训练目标与表示用途，建立选择生成、理解或检索架构时的判断坐标。
    查看主题路线 →正文待人工整理
  6. 06
    阶段 3 · 拓展跨领域研究能力1:48:54待整理

    研究工作流与跨领域迁移

    结合 AI 研究工作流、人口流动论文与读博路线，提炼选题、执行和复盘的方法。

    • 路径最后把模型知识转成研究行动：选题、证据组织、跨领域迁移与持续输出，而不是停留在论文名词记忆。
    查看主题路线 →正文待人工整理