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。
ai
1239 篇文章驗證答案之前，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。
多步驟規劃：哪一步失敗，才拆哪一步｜Stanford CS329A 第 5 堂
多步驟任務要區分搜尋、平行執行與訓練；子任務產物必須支撐原任務的成功條件。
AWS Machine Learning Engineer Associate（MLA-C02）備考路徑：107 條技能裡有 45 條是新加的
MLA-C02 自 2026 年 9 月 29 日起取代英文版的 MLA-C01。四章權重 28 / 24 / 24 / 24，章節名稱都加上了 AI 或 FM：官方對照表列出 45 條新增技能，內容是向量資料庫、embedding、RAG、基礎模型的選擇與微調、agent 的部署與監控，另刪掉 7 條。目前是英文 beta（考試代碼 ME1-C02、170 分鐘、85 題、$75）；正式版依考試指南是 65 題、及格 720、效期 3 年，日文、韓文、簡中要等正式上線，沒有繁體中文。
GitHub Copilot 認證（GH-300）備考路徑：考的不只是自動補全，還有 CLI、agent mode 與組織政策
GH-300 是 GitHub Copilot 的官方認證，2026 年 8 月 7 日改版後的考綱有六塊，最重的「使用 Copilot 功能」佔 25–30%，裡面包含 Copilot CLI、agent mode、MCP、sub-agent 委派，以及組織層級的政策、稽核記錄與 REST API。官方規格：美國 $99、台灣 $50、100 分鐘、60 題計分題、及格 700、效期 2 年，五種語言不含中文，有官方練習測驗。官方的權重清單多列了一行，照六個實際章節準備。
GitHub Agentic AI Developer（GH-600）備考路徑：考的是怎麼管 coding agent，不是怎麼寫
GH-600 是 GitHub 的 agent 認證（官方標示 Intermediate），考在軟體開發流程裡營運、監督與治理 AI agent。六塊權重 15–20 / 20–25 / 10–15 / 15–20 / 15–20 / 10–15，最重的是工具與環境（MCP、權限、CI 觸發、錯誤處理）。條目最常見的動詞是 configure（65 條裡 15 條），其次是 identify 與 implement。官方規格：美國 $165、台灣 $83、120 分鐘、及格 700、效期 2 年、僅英文，沒有官方練習測驗，官方自學教材合計不到 6 小時。
微軟 AI-200（Azure AI Cloud Developer）備考路徑：名字有 AI，考的是後端工程師怎麼把 AI 應用撐起來
AI-200（Azure AI Cloud Developer Associate）接替 2026 年 7 月 31 日退場的 AZ-204。四塊權重 20–25 / 25–30 / 20–25 / 20–25：容器、資料服務、訊息與 serverless、資安與監控。整份考綱沒有一條在考模型部署、prompt 或 agent，跟 AI 最直接相關的是 Cosmos DB、PostgreSQL pgvector、Managed Redis 三種向量搜尋。官方規格：美國 $165、台灣 $83、120 分鐘、及格 700、13 種語言含繁體中文、效期一年，練習測驗尚未開放。
微軟 AI-300（Machine Learning Operations Engineer）備考路徑：一張考試考兩套維運，MLOps 與 GenAIOps 各佔一半
AI-300（Machine Learning Operations Engineer Associate）接替 2026 年 6 月 1 日退場的 DP-100。五塊權重 15–20 / 25–30 / 20–25 / 10–15 / 10–15：前兩塊是 Azure Machine Learning 上的傳統 MLOps，合計 40–50%；後三塊是 Microsoft Foundry 上的 GenAIOps，合計 40–55%。官方點名 MLflow、Bicep、Azure CLI、GitHub Actions。官方規格：美國 $165、台灣 $83、120 分鐘、及格 700、效期一年，考試只有英文。
微軟 AI-901（Azure AI Fundamentals）備考路徑：入門級，但過半在考你會不會用 Foundry 做出東西
AI-901 取代 2026 年 6 月 30 日退場的 AI-900，同樣叫 Azure AI Fundamentals，但考綱只剩兩塊：觀念 40–45%、用 Microsoft Foundry 實作 55–60%。官方要求會 Python，條目寫的是「用 Foundry SDK 做一個輕量 chat client」「建立並測試單一 agent」。官方規格：美國 $99、台灣 $50、45 分鐘、及格 700、13 種語言含繁體中文，而且入門級認證不會過期。
ML／LLM 系統設計與 Coding 面試：四題架構、三題 Python 與 STAR 骨架
面試常被問到的四題系統設計（企業 RAG、推論服務、客服 Agent、線上 A/B 與資料飛輪）、三題 Python（動態批次、取樣、退避重試加 token bucket）與 STAR 行為骨架，每題附可講出口的回答與核對清單，程式碼都實際執行通過。
音訊、影片與世界模型：三份教材的閱讀入口｜CMU 10-423 主題單元
聲音表示、影片的時間關聯、動作條件的世界轉移，是三種不同學習任務。原篇把第24–26堂放一起，最後卻只有音訊練習，無法驗收另外兩堂。這個網址保留為閱讀入口；完整教學在下列第 24–26 堂各一篇，第 26 堂那篇也包含另一份對齊教材。
CNN 與 ViT：一張圖怎麼變成模型的輸入｜CMU 10-423 第 5 堂
語言模型先把文字變成 token，影像模型也需要把畫素整理成可運算的表示。
程式生成與 Agent：測試回饋如何形成可靠迴圈｜CMU 10-423 第 23 堂
能執行測試修復迴圈並計算pass@k與區分交付成功
條件注入：attention、DiT與Q-Former怎麼分工｜CMU 10-423 主題單元
Cross-attention是讀取另一組表示的運算；DiT是擴散模型的骨幹選擇；Q-Former是用可學query抽取或橋接資訊的模組。它們可以組合，但不是三個互斥的產品。這篇只比較角色，Prompt-to-Prompt與classifier-free guidance的操作細節放回第14堂教學。
擴散模型入門：加噪為何能成為生成的訓練題｜CMU 10-423 第 7 堂
GAN 用判別器取得生成訊號，擴散模型則先定義一個會逐漸破壞資料的過程，再學習反方向的條件分佈。
分散式訓練與高效推論：先找成本在哪裡｜CMU 10-423 主題單元
模型放不下一張GPU，和模型已放得下卻生成太慢，是不同故障。分散式策略重新分配資料、參數與狀態；FlashAttention主要改善attention的記憶體IO；KV cache避免decode時重算歷史K/V。先找成本的位置，再選方法。
考卷、論文與專案：三種學習證據｜CMU 10-423 主題單元
考卷檢查你能否在固定問題下推理；論文報告檢查你能否判斷別人的證據；專案檢查你能否自己產生可重現證據。三者不是「課程行政事項」的清單，而是逐步加深的學習任務。這個舊網址保留為評量導覽，完整做法各有教學篇。
GAN：生成器與判別器各自在學甚麼｜CMU 10-423 第 6 堂
分類器學「這張圖是哪一類」，GAN 的生成器學「怎麼從隨機輸入產生像資料的新樣本」。
生成式 AI 學習路線：35 篇核心怎麼讀｜CMU 10-423 課程總覽
這個系列依 CMU 10-423/623/723 Generative AI 的 Spring 2026 公開材料整理。