Inference-time Compute、Reasoning 與 Embodied Agents｜Berkeley CS288 主題單元
15–18 組教材把 NLP 模型放進感知、推理、工具與環境迴圈；核心問題從下一個 token，轉成如何分配推論計算並驗證多步行動。
#cs288
6 篇文章從 n-gram、詞表示到文字分類｜Berkeley CS288 主題單元
前四組教材先建立可計數、可表示、可分類的文字模型；A1 再要求從 n-gram、perceptron 做到 NBOW MLP。
語言模型與 NLP：從基礎表示到檢索與 Agent｜Berkeley CS288 課程總覽
CS288 用 18 組公開投影片與三份作業，從 n-gram 走到 RAG、reasoning 與 agents；錄影需 Berkeley 登入，所以這是一條教材型 A3 路線。
Pre-training、Post-training、Generation 與 Evaluation｜Berkeley CS288 主題單元
08–12 組教材把 base model 變成可互動系統：預訓練決定基礎能力，post-training 改變行為，generation 與 evaluation 決定輸出如何被使用與判讀。
Retrieval、RAG 與進階架構如何變成一個系統｜Berkeley CS288 主題單元
13–14 組教材把模型接到外部知識；A3 要學生自行蒐集資料、標註 QA、建索引、做 ablation，並在 CPU 與延遲限制下交付 RAG。
Sequence Models、Seq2Seq 與 Transformer｜Berkeley CS288 主題單元
05–07 組教材把固定向量的分類器推進序列狀態、encoder-decoder，再用 attention 與 Transformer 改寫資訊路徑。