Cross-attention 與 DiT：條件如何進入去噪器｜CMU 10-423 第 14 堂
以完整數值例子與變式答案理解Cross-attention 與 DiT：條件如何進入去噪器。
ai
1264 篇文章Q-Former 與 scaling laws：橋接凍結模型，分配固定算力｜CMU 10-423 第 15 堂
追 Q-Former 的 query 讀取與兩階段訓練，再用固定預算計算模型與資料的分配
Mixture of Experts：總容量與啟用計算如何分開｜CMU 10-423 第 16 堂
以完整數值例子與變式答案理解Mixture of Experts：總容量與啟用計算如何分開。
分散式訓練：梯度、模型與狀態各如何切分｜CMU 10-423 第 17 堂
以完整數值例子與變式答案理解分散式訓練：梯度、模型與狀態各如何切分。
高效推論：FlashAttention、KV cache 與推測解碼｜CMU 10-423 第 18 堂
以完整數值例子與變式答案理解高效推論：FlashAttention、KV cache 與推測解碼。
長上下文：放得進去為什麼仍找不到答案｜CMU 10-423 第 19 堂
區分位置/記憶體/資訊取用並設計受控驗收
State Space Models：狀態更新如何展成卷積｜CMU 10-423 第 21 堂
從recurrence展開固定卷積並識別selection邊界
生成式 AI 風險：把失敗變成可測試的情境｜CMU 10-423 第 22 堂
把不同危害對應不同資料流與指標
聲音的理解與生成：sample 怎麼變成文字，token 怎麼變回聲音｜CMU 10-423 第 24 堂
計算 frame、mel 與 WER，再算 codec token 帳並區分擴散採樣
影片生成：時間軸如何進入模型｜CMU 10-423 第 25 堂
能追時空attention shape並區分影片時間與去噪時間
世界模型與對齊理論：動作介入與可修正性需要哪些前提｜CMU 10-423 第 26 堂
區分三種世界表示與動作介入證據，再看共識成本與 corrigibility 定理的條件
LoRA：少改參數，改的是哪個矩陣｜CMU 10-423 第 10 堂
以完整數值例子與變式答案理解LoRA：少改參數，改的是哪個矩陣。
練習考卷：用錯誤定位觀念缺口｜CMU 10-423 主題單元
用公開練習卷區分機率、資料流與評估錯誤，走完序列機率例子，再以變式題驗收。
開放式演化：指定閱讀導讀｜Stanford CS329A 第 7 堂
開放式演化改的是 agent 程式與流程；archive 保留不同分支，保留測試再檢查泛化。
軟體工程 agent：指定閱讀導讀｜Stanford CS329A 第 13 堂
多個程式候選仍需需求反例來挑選；先通過正確性檢查，速度提升才有意義。
Agent 記憶：指定閱讀導讀｜Stanford CS329A 第 14 堂
取回管理、訓練 KV 表示與 cache 重用處理不同瓶頸；速度與命中率都不保證資料新鮮。
Spotify Technology：把內部開發工具包成一個品牌賣給別的公司
Spotify 在 2026-10-07 把 Confidence、Portal、Xirp 與 Backstage 外掛併成「Spotify Technology」對外賣；核心賭注是 AI 讓寫程式變便宜後，瓶頸會移到判斷，而組織的共用脈絡是資產。營收未揭露；Confidence 有公開定價與免費方案，Xirp 仍是只支援 macOS 的 beta。
推論時多試幾次，怎麼選出正確答案｜Stanford CS329A 第 2 堂
多產生候選只能提高正解出現的機會；可信的選擇器才把機會變成實際成功。
驗證答案之前，先驗證推理步驟｜Stanford CS329A 第 3 堂
最後答案正確不代表推導成立；步驟回饋能定位錯誤，驗證器本身仍需檢查。
工具回饋如何改變下一步，而不只是增加紀錄｜Stanford CS329A 第 4 堂
外部觀察、執行測試與原則批評提供不同回饋；先辨認訊號，再決定修正或訓練。