专题研究笔记

9 篇文章 1 个主题模块 进入文章后，左侧会展开本课程章节

01 研究与实验

  1. 01 Loop入门 这是Claude官博发的一篇文章，介绍 Claude Code 里的loop是怎么玩的。 →
  2. 02 ChatGPT Images 2.0 / GPT Image 2 技术调研报告 版本日期：2026-07-10 研究对象：ChatGPT Images 2.0 产品能力、API 模型 gpt-image-2，以及其与 OpenAI 原生多模态图像生成技术路线的关系 →
  3. 03 面向百万级上下文的开源与开放模型长上下文能力调研评估 本文将用户给出的对象解释为：DSV4 = DeepSeek-V4，MIMOv2.5 = 小米 MiMo-V2.5 系列，GLM5.2 = GLM-5.2，Kimi = Moonshot 的长上下文技术栈与产品化路线，K2.6 = Kimi K2.6 公共模型/API 版本。其中，只有 DeepSeek-V4、MiMo-V2.5、GLM-5.2 在公开官方材料中明确宣称 1M 上下文；Kimi 的公开研究路线已经走到可扩展到 1M 乃至 →
  4. 04 图像生成技术的迭代与现状综述报告 过去五年，图像生成（image generation）的主线演化非常清晰：从 离散 token 自回归（autoregressive over discrete image tokens） 的 DALL·E/Parti 路线，转向 像素空间扩散（pixel-space diffusion） 的 GLIDE/Imagen，再转向 潜空间扩散（latent diffusion） 的 Stable Diffusion，随后进入 Diffusi →
  5. 05 Grant Sanderson: AI and the Future of Math - QA Notes Source: Dwarkesh Podcast, "Grant Sanderson - AI and the future of math", transcript page: https://www.dwarkesh.com/p/grant-sanderson-2 →
  6. 06 Loop Engineering（循环工程）讲解整理 来源：Loop Engineering explained in 8min 字幕翻译整理 随着大语言模型应用的发展，工程方法不断演进。早期我们关注的是 Prompt Engineering（提示词工程），后来出现了 Harness Engineering（支架/编排工程），现在又出现了 Loop Engineering（循环工程）。 →
  7. 07 从 Stable Diffusion 到 GPT-3：一次关于生成模型、RNN 与推理模型的技术梳理 本文整理本次 session 中讨论的核心知识点，覆盖 Stable Diffusion 的训练/推理机制、RNN/LSTM/GRU 与 Transformer 的差异、中文 RNN 语言模型训练、GPT 系列演进、GPT-3 的 scaling 与 RLHF 边界，以及 DeepSeek-R1/R1-Zero 与 OpenAI o1 的关系。 →
  8. 08 GPT 现状（State of GPT） 演讲者： Andrej Karpathy（安德烈·卡帕西） 来源： Microsoft Build 2023 — BRK216HFS →
  9. 09 AI Engineering Skills Map 2026：四项核心能力的技术体系、理论框架、工程实践与学习路线 本文以 2026 年 AI Engineering Skills Map 为基础，系统讨论构建与部署 AI 应用、软件工程基础、Coding Agents 与 Shaping the Build 四项能力，并将它们统一为由规格、实现、执行、评测和反馈组成的概率性系统工程闭环。 →