期末專案：把生成模型做成可重現的實驗｜CMU 10-423 主題單元
以固定比較條件、配對結果與重現紀錄，把生成模型專案寫成可檢查的研究證據。
#generative-ai
60 篇文章自動微分實作：把手算梯度接上訓練迴圈｜CMU 10-423 作業 0
知道反向傳播用鏈式法則，還不等於能寫出正確的訓練迴圈。
論文報告：把模型介紹寫成可檢驗的論證｜CMU 10-423 作業 623
以角色扮演報告分清論文主張、實驗證據與自己的推論，走完受控比較例子。
因果注意力：從 Q、K、V 算到下一個 token｜CMU 10-423 第 2 堂
RNN 把歷史壓進一個狀態，attention 則讓目前位置直接讀取一組歷史表示。
訓練與解碼：同一組 logits 為何生成不同句子｜CMU 10-423 第 3 堂
模型學會的下一 token 分佈，跟我們怎麼從分佈挑 token，是兩件接續發生的事。
擴散模型進階：訓練抽時間，生成走逆向鏈｜CMU 10-423 第 8 堂
前一堂知道怎麼造出 noisy input 與噪聲標籤，這堂要回答下一個缺口：網路預測 ε 之後，怎麼得到下一個較乾淨的樣本？
VAE：重建誤差、KL 與重參數化如何合作｜CMU 10-423 第 9 堂
普通 autoencoder 把輸入壓成一個向量再還原；VAE 則為每筆資料產生一個潛在分佈，讓重建與生成能在同一個機率模型中討論。
ICL、SFT 與 RLHF：從改輸入到改參數｜CMU 10-423 第 11 堂
分清 ICL、SFT、reward model 與 RLHF 各自改變什麼，並用算例驗收
DPO 與 latent diffusion：偏好如何更新模型，文字如何控制去噪｜CMU 10-423 第 12 堂
推導 DPO loss 並重算數值例子，再追 latent diffusion 的形狀與條件路徑
Vision-language model：圖片如何成為語言模型的輸入｜CMU 10-423 第 13 堂
以完整數值例子與變式答案理解Vision-language model：圖片如何成為語言模型的輸入。
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。
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。
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。
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
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。
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。
DDPM 實作驗收：時間係數怎麼對上 batch｜CMU 10-423 作業 2
會抄加噪公式，還不代表 diffusion 實作正確。
推理模型：多花算力如何選到可驗證的答案｜CMU 10-423 第 20 堂
能比較候選選擇與GRPO優勢且區分機制因果證據
擴散與VAE：機率目標相連，生成流程不同｜CMU 10-423 主題單元
擴散與VAE都能用機率模型的觀點理解，但「都有潛在變量」不代表它們是同一套生成流程。擴散把噪聲步驟串成鏈；VAE用encoder近似latent的後驗，decoder從latent重建資料。這篇是關係導覽，原第8–9堂的教學已拆成各自可檢核的內容。
用 ODE／SDE 讀懂 flow matching 與 diffusion｜MIT 6.S184 課程總覽
MIT 6.S184 是 IAP（1 月獨立活動期）的短課：5 講（第 3 講拆成 3-A、3-B 兩支錄影）、3 個 lab，加上一份 84 頁、官方稱為「課程骨幹」的講義。講義、slides、6 支錄影、lab notebook 與官方解答全部公開，是 A3 足以自學。缺的只有兩塊：lab 繳交走 Canvas 裡的 Gradescope，只有 MIT 修課生能用；第 5 講離散擴散沒有對應 lab。
模擬 ODE 與 SDE｜MIT 6.S184 實驗 1
MIT 6.S184 Lab 1 分三部分：先寫 Euler 和 Euler–Maruyama 的 step 函式，再用它們模擬 Brownian motion 與 Ornstein–Uhlenbeck 過程，觀察 σ 和 θ 怎麼決定軌跡與終點分佈，最後實作 Langevin dynamics，看一團點怎麼被推向一個五峰高斯混合，並用一段手算證明 OU 過程就是目標為高斯的 Langevin dynamics。題目、程式框架與官方解答都在 GitHub；校外讀者沒有 Gradescope 評分，只能自己對解答。
DiT、VAE 到 latent diffusion｜MIT 6.S184 實驗 3
Lab 3 在 MNIST 上從零組出一個有條件的 latent diffusion model，分四段：先用 label dropout 寫 CFG 訓練（在三群高斯混合上驗證），再一塊一塊寫 diffusion transformer（Fourier 時間嵌入、patchify、多頭注意力、adaLN-Zero、depatchify），接著寫一個 VAE，最後把 DiT 搬進 VAE 的 latent 空間訓練。題目與官方解答都公開；繳交走 Canvas 裡的 Gradescope，只有 MIT 修課生能用。
生成就是取樣，ODE 與 SDE 是機器｜MIT 6.S184 第 1 堂
MIT 6.S184 第 1 講先把「生成一張狗的圖」改寫成「從資料分佈取樣」，再給出取樣的機器：從高斯雜訊出發，沿著神經網路給的向量場模擬一條 ODE（flow model），或在每一步再加一點 Brownian motion 的雜訊，變成 SDE（diffusion model）。實際模擬各用一個最簡單的數值方法：Euler 和 Euler–Maruyama。怎麼訓練那個向量場，留到第 2 講。
Flow matching，從條件路徑學邊際向量場｜MIT 6.S184 第 2 堂
我們想學的是「邊際向量場」：沿著它跑 ODE，雜訊會流成資料。問題是它要對整個資料集積分，算不出來。Flow matching 的解法是改成回歸「條件向量場」，也就是只把雜訊推向單一資料點的那個場，這個有公式。講義 Theorem 12 證明兩個 loss 只差一個常數、梯度相同。落到 CondOT 路徑上，訓練只剩一行：取資料 z、雜訊 ε、時間 t，讓網路在 tz+(1−t)ε 這個點預測 z−ε。
A：分數函數、SDE 取樣與 score matching｜MIT 6.S184 第 3 堂
分數函數是 log 密度的梯度，指向機率上升最快的方向。在高斯路徑上，它和上一講的向量場都是 x 與 z 的線性函數，所以可以互相換算（講義 Proposition 1）：學會一個，就等於學會另一個。有了分數，就能在 ODE 上加任意強度的雜訊變成 SDE，而且每個時刻的分佈不變（Theorem 17）。分數本身也能用跟 flow matching 同一招學：回歸條件分數。這在高斯路徑上等於讓網路預測當初加進去的雜訊，也就是 DDPM 的訓練目標。
B：Guidance 與 classifier-free guidance｜MIT 6.S184 第 3 堂
把 prompt 當成神經網路的額外輸入，理論上就能從 p_data(x|y) 取樣，但實際生成的圖不夠貼 prompt。第 3B 講用 Bayes 定理把有條件向量場拆成「無條件向量場＋一個分類器梯度」，把分類器那項放大 w 倍就是 classifier guidance；再把分類器換成「有條件減無條件」的差，就得到不用訓練分類器的 CFG：ũ = (1−w)·u(x|∅) + w·u(x|y)。訓練只要以機率 η 把標籤換成空標籤 ∅。代價是每一步要呼叫網路兩次，而且 w>1 之後就不再是從資料分佈取樣。
U-Net、DiT 與 latent space｜MIT 6.S184 第 4 堂
前幾講的演算法已經完整，第 4 講處理規模化時的兩個工程問題。第一，網路要吃圖片、時間 t 和 prompt 三種輸入，吐出一樣大的向量場，所以用 U-Net 或 diffusion transformer（DiT），時間用 Fourier 特徵嵌入、文字用凍結的 CLIP／T5 嵌入。第二，像素空間太大，所以先訓練一個 VAE 把圖壓進 latent space，在那裡做 flow matching，最後再解碼。Stable Diffusion 3 與 Meta Movie Gen Video 都是這套配方：latent 空間裡的 flow matching＋DiT 變體＋CFG。
離散擴散，用 CTMC 生成語言｜MIT 6.S184 第 5 堂
文字是一串離散 token，沒有方向可以走，ODE 和 SDE 都不存在。第 5 講把前四講的配方原封不動搬過來，只換掉底層的隨機過程：向量場換成 rate matrix，ODE 換成連續時間馬可夫鏈（CTMC），continuity equation 換成 Kolmogorov forward equation。用 factorized mixture path 當機率路徑時，要學的邊際 rate matrix 只剩一個未知數：給定加噪句子，每個位置原本是哪個 token 的機率。於是訓練離散擴散模型變成對每個位置做分類，loss 就是 cross-entropy；把雜訊設成全部 [mask]，就得到 masked diffusion language model。
為什麼要研究生成式 AI，課程介紹與 Colab｜政大蔡炎龍 生成式AI 第 1 堂
第一講前半說明課程規則與閃電秀，中段回答「為什麼要學原理」：蔡炎龍把學 AI 的焦慮拆成三種，主張懂原理才知道模型的限制、不必追著每個新工具跑。後半是 Colab 入門，從魔術指令、四行標準套件、plt.plot 到 Markdown 與 ipywidgets 互動。第一份作業是在 Colab 畫一個函數圖形；長庚衛星班的評分標準裡，照改範例只拿 6 分，沒教過的函數加上漂亮的 Markdown 註解才拿 10 分。
紅極一時的 GAN——讓兩個網路互相對抗，怎麼就生得出圖？｜政大蔡炎龍 生成式AI 第 3 堂
同一句「一個可愛的女孩」有無數種正確答案，硬把它當函數訓練，只會學到所有答案的平均。GAN 的解法是改訓練兩個網路：生成器 G 從隨機 latent 向量造圖，鑑別器 D 判真假，兩邊互相對抗。L03 從 2014 年的原始論文一路講到 WGAN、Progressive GAN、StyleGAN 的 512 維 latent 與 AdaIN，再到 Pix2Pix、CycleGAN；後半的附錄把 cross entropy 與 KL divergence 講成「驚訝指數」。第三週作業二選一：實際跑一個 GAN，或用自己的話解釋 CE 與 KL。
大型語言模型原來這麼簡單——猜下一個字、temperature 與自建 benchmark｜政大蔡炎龍 生成式AI 第 4 堂
L04 把大型語言模型拆成一句話：看前面的字，替字庫裡每個字打分數，softmax 變成機率，再依機率抽出下一個字。為了讓「前面的字」變成記憶，課程先講 RNN，再第一次帶出 Transformer 的 Q/K/V；接著用 GPT-2 的 15 億、GPT-3 的 1,750 億參數說明規模，用 temperature 與 top-p 說明為什麼每次回答都不一樣。後半教怎麼在自己電腦跑開源模型、要多少 VRAM。第四週作業：自己設計一組你懂的主題的測試 prompts，至少比較兩種 LLM。
Transformers 全攻略——用線性代數讀懂 Q/K/V、位置編碼與殘差連結｜政大蔡炎龍 生成式AI 第 5 堂
L05 用兩條線性代數規則讀完 Transformer：矩陣乘法是「列乘行」的內積，而向量乘矩陣等於對矩陣的列向量做線性組合。有了這兩條，attention 就是「query 跟每個 key 做內積、softmax 成權重、對 value 加權平均」，整批寫成 softmax(QKᵀ/√d_k)V；除以 √d_k 只是把數字拉回 0 附近，避免 softmax 贏者通吃。接著講 multi-head、encoder 與 decoder 的差別、mask、用 sin/cos 時鐘做的位置編碼，最後是 ResNet 式殘差與 layer normalization。本週沒有作業。
LLM 的應用及倫理議題的挑戰——幻覺、個資、DeepSeek，以及一行 system 就做出來的員瑛式思考生成器｜政大蔡炎龍 生成式AI 第 6 堂
L06 前半談倫理：蔡炎龍引用 Karpathy「幻覺是 LLM 的特點」，再逐一談抄襲、資料會不會被拿去訓練、DeepSeek 的審查與語料偏向，最後收在七項「負責任的使用」。後半轉向應用：只要給對「資訊」和「指引」，一段 system 設定就能做出員瑛式思考生成器、小編 AI、選系諮商師。第六週作業就是把這套 prompt 搬進 OpenAI 相容 API 加 Gradio，做一個有人設的對話機器人。
打造自己的對話機器人——API 金鑰、三種 role、把歷史對話送回去，以及用 Ollama 在本機跑模型｜政大蔡炎龍 生成式AI 第 7 堂
對話機器人會「記得」你，不是因為模型有記憶，而是程式每一輪都把整份 messages（system、user、assistant 交替）重新送一次。L07 先教申請 OpenAI 與 Groq 金鑰，再把這個結構講清楚，接著用 Ollama 在本機或 Colab 跑 Gemma 3，同一套 openai 套件只改 base_url 就能呼叫。第七週作業二選一：做一個能持續對話的版本，或讓兩個模型互相對話，都要用 Gradio 展示。
檢索增強生成（RAG）的原理及實作——切文字塊、算特徵向量、找最接近的段落塞回 prompt｜政大蔡炎龍 生成式AI 第 8 堂
L06 說 prompt 只有兩件事：正確的資訊和清楚的指引。RAG 就是讓電腦自動去找「資訊」那一段：先把自己的文件切成文字塊，用同一個模型 fθ 把文字塊和問題都變成特徵向量，找出最接近的幾塊，再套進「請根據 {retrieved_chunks} 回答 {question}」的樣板。實作拆成兩支程式：Demo06a 用 LangChain 與 FAISS 建向量資料庫並壓成 faiss_db.zip，Demo06b 讀回資料庫、接 LLM、包成 Gradio。第八週作業就是換上你自己的資料。
為什麼大家說 2025 是 AI Agents 元年——吳恩達的四個設計模式，用 AISuite 做出 Reflection 與兩階段 CoT｜政大蔡炎龍 生成式AI 第 9 堂
L09 把 AI Agent 講成一句話：本來你要做的事，AI 自動幫你做完。蔡炎龍沿用吳恩達的四個設計模式（Reflection、Tool Use、Planning、Multiagent Collaboration），但只實作前後兩個最好上手的：Demo07a 讓「作者」與「評論員」兩個 LLM 呼叫接力改文章，Demo07c 把員瑛式思考拆成「先想五個理由、再寫貼文」的兩階段 CoT，都用 AISuite 串 Groq 並用 Gradio 展示。LangChain、AutoGen、CrewAI 只出現在進階學習清單。第九週作業就是兩種模式二選一。
從變分自編碼器（VAE）開始的冒險旅程——特徵向量、Autoencoder、Diffusion，以及「沒有 VAE，Stable Diffusion 根本不能動」｜政大蔡炎龍 生成式AI 第 10 堂
L10 從「怎麼找到好的特徵向量」出發：Word2Vec 用代理任務學出 embedding，Autoencoder 用「輸入等於輸出」逼出壓縮後的 latent vector，VAE 再要求 latent 符合常態分布，讓鄰近的點生出相似的圖。接著蔡炎龍把 diffusion model 講成「encoder 用算的、只訓練 decoder 的 autoencoder」，最後收在 Latent Diffusion：先用 VAE 把 512×512 的圖壓成 64×64，diffusion 只在這個小空間裡做。第十週作業不寫程式，用 Bing 生出風格一致的多組圖。
文字生圖 AI 的原理及實作——CLIP 讀懂 prompt、排程器決定要不要「A 圖」、LoRA 只調 ΔW，最後用 diffusers 做出自己的生圖 Web App｜政大蔡炎龍 生成式AI 第 11 堂
L11 把 Stable Diffusion 架構圖上剩下的三塊補齊。CLIP 用「文字和圖越像越好」的對比訓練，讓 prompt 變成 77×768 的 embedding；排程器把 1000 步的加噪壓成二、三十步的去噪，但 Euler a 這類 ancestral 演算法不會收斂，步數加到 100，人物的衣服和座位都會換掉；LoRA 凍結原本的 W，只學拆成 A·B 的 ΔW。實作用 diffusers 載入 SD 1.5 系模型，第十一週作業是自己做一個生圖 Web App。
ControlNet 與 Fooocus——怎麼讓生圖 AI 照你的構圖畫？｜政大蔡炎龍 生成式AI 第 12 堂
L11 的 Stable Diffusion 只聽 prompt，構圖、姿勢全看運氣。L12 補上「方向盤」：ControlNet 把 SD 的區塊拷貝一份，用 zero convolution 接回去，讓邊緣圖、姿勢、深度圖這類額外條件也能控制生成，最常見的例子是 Canny 邊緣。後半講 Fooocus：一個目標是「像 Midjourney 一樣簡單」的 SD 介面，重點在 Preset、Style，以及 Input Image 的五個功能，其中 Image Prompt 就是包裝好的 ControlNet。第十二週作業：設想一個應用情境，用 Fooocus 至少生 3 組圖，並寫出創作流程。
強化學習——從 AlphaGo 到讓 LLM「不要那麼唬爛」的 RLHF｜政大蔡炎龍 生成式AI 第 13 堂
前 12 講的模型都靠人準備好的訓練資料。L13 換一個問題：沒有標準答案，只知道做得好不好的時候，電腦要怎麼學？老師從 AlphaGo 和打磚塊講起，分成兩條路：value based 學一個 Q 函數替每個動作打分數（Deep Q-Learning、TD、Experience Replay、ε-greedy），policy based 直接學動作（Policy Gradient、Actor-Critic）。後半回到 LLM：ChatGPT 怎麼用人類排名訓練 reward model，再用 PPO 做 RLHF；DeepSeek 則讓電腦自動判斷數學題對錯當獎勵。第十三週作業是期末專案提案。
文字模型與圖像模型互搶地盤——生成式 AI 新趨勢與期末專案｜政大蔡炎龍 生成式AI 第 14 堂
最後一講看的是兩條技術線開始互相越界：ChatGPT 這類 LLM 開始畫圖，投影片用 early fusion 和 VQ-VAE／VQGAN 解釋「把圖像切成 token」怎麼做；反過來，Inception Labs 的 Mercury 用 diffusion 生成文字，把一句話加噪成一排 [MASK] 再還原。接著是幾篇人人都用得上的研究：怎麼自動評 RAG、推理模型更容易被劫持、DeepMind 的四種 AI 風險。最後是 Vibe Coding 與一串應用工具，以及用 Gather Town 線上研討會進行的期末專案。
總覽與自學路線｜政大蔡炎龍 生成式AI 課程總覽
《生成式 AI：文字與圖像生成的原理與實務》是政大應數系蔡炎龍主講、以 TAICA 衛星課程開放給聯盟學校的入門課。網路上最完整的那頁課程網站其實是長庚衛星班（協同教師楊智淵）的頁面。本系列以 Spring 2025（1132）為準：14 支錄影、14 份投影片、12 份作業說明與評分標準都公開，Demo notebook 也在 GitHub 上，存取分級 A3；缺口是 notebook 會持續改版、繳交與批改走各校平台、期末專案成果沒有公開。
AWS 三張 AI 證照怎麼選：MLA-C02 beta 已開放後的最新分界
AIF-C01、MLA-C02、AIP-C01 不是難度階梯，是三個職能切面：AIF 考能否判斷 AI 的商業應用；MLA 考能否把傳統 ML、基礎模型與 agentic workflow 上線並維運；AIP 考能否整合基礎模型做 GenAI 系統。MLA-C02 的英文 beta 已開放報名，9/29 開始交付；正式版日期與非英文版本仍未公布。
AWS AI Practitioner（AIF-C01）備考路徑：v1.1 把它變成 agentic AI 考試
AIF-C01 考綱在 2026 年 4 月 30 日更新到 v1.1，新增七條目標——MCP、多 agent 模式、context engineering、token 計價、幻覺偵測全變成考點，in-scope 服務加入 Bedrock AgentCore、Kiro、Strands Agents，網路上的整理幾乎都是舊版。這篇依 v1.1 五章權重逐章拆解考點，整合 AWS 官方四步準備法、10+ 位考生的實戰心得與教材推薦。$100、90 分鐘、65 題、及格 700、效期 3 年，有繁體中文版。
AWS GenAI Developer Professional（AIP-C01）備考指南：考綱、教材與四步準備法
AIP-C01 考的是把基礎模型整合成可上線的 AWS 應用：RAG、agent、安全治理、成本與評估。本文依官方五章考綱，整理前置能力自評、四步準備法、教材選擇與實作驗收，附十週安排、AI 輔考範本及應考提醒。先做診斷，再用同一個 RAG 加 agent 專案補齊弱項。
微軟 AI-103（Azure AI Apps and Agents Developer）備考路徑：Foundry 換代之後，舊 Azure AI 教材全部作廢
AI-103 取代 2026 年 6 月 30 日退場的 AI-102，考綱完全重寫成 Microsoft Foundry 體系——prompt flow、Azure AI Studio、Azure OpenAI Service、Azure AI Agent Service 這些名詞在目標裡一個都沒有。五塊技能權重 25-30 / 30-35 / 10-15 / 10-15 / 10-15，生成式與 agent 佔最大宗。官方規格：$165、120 分鐘、及格 700、有繁體中文、含互動題型，而且效期只有一年——但續期是免費、開書、非監考的線上評量。
NVIDIA NCA-GENL（Generative AI LLMs Associate）備考路徑：名字寫 LLM，考綱有一半是傳統 ML
NCA-GENL 是職缺點名「NVIDIA Generative AI / LLM 相關認證」時最常指的那張。但官方 blueprint 的權重跟名字落差很大——Core Machine Learning and AI Knowledge 30%、Software Development 24%、Experimentation 22%、Data Analysis 14%、Trustworthy AI 10%，LLM 與 RAG 的內容散在條目層而不是自成一塊，spaCy、NumPy、Keras、cross validation 都在考。另一個要先知道的：官方的建議教材在 2026 年秋天整個換過，現在每一塊只推兩項，一份放在 GitHub 上的免費開源深度學習教材，加一門 LLM 應用開發課。官方規格：$125、1 小時、50–60 題、效期兩年、僅英文、pass/fail 不給分數。
NVIDIA NCA-GENM（Generative AI Multimodal Associate）備考路徑：與 NCA-GENL 同價同級，重心換成實驗與多模態
NCA-GENM 與 NCA-GENL 同價同時長同級別，但重心完全不同：Experimentation 升到 25%（最重），Core ML 從 30% 降到 20%，並多出 Multimodal Data 15% 與 Performance Optimization 10% 兩塊。內容上考 U-Net、CLIP、擴散模型、多模態損失函數、attention map，以及 Riva／NeMo／Triton／ACE 這幾個 NVIDIA SDK。官方的建議教材在 2026 年秋天整個換過：現在只推一份放在 GitHub 上的免費開源深度學習教材，加一門多模態 agent 的課，而且各塊配的不一樣，最重的 Experimentation 只配免費教材。官方規格：$125、1 小時、50–60 題、效期兩年、僅英文。