Cours vidéo complet sur la construction de modèles de raisonnement IA
En bref
- Cours vidéo de 11 heures pour implémenter des modèles de raisonnement en Python et PyTorch.
- Basé sur un LLM pré-entraîné (Qwen3 0.6B) avec ajout de méthodes d'évaluation et d'optimisation.
- Couvre l'inférence, le scaling en temps réel, l'apprentissage par renforcement et la distillation.
Sebastian Raschka annonce un cours vidéo de plus de 11 heures pour implémenter des modèles de raisonnement en Python et PyTorch. Selon l'auteur, ces modèles, qui combinent apprentissage par renforcement et techniques de scaling, sont au cœur des LLMs actuels.
Le cours détaille l'évaluation, l'optimisation et l'ajout de capacités de raisonnement à un LLM pré-entraîné (Qwen3 0.6B). Il couvre l'inférence, le scaling en temps réel, l'apprentissage par renforcement avec récompenses vérifiables et la distillation. Les vidéos s'appuient sur un livre complémentaire et incluent des exercices pratiques.
Ces ressources visent à comprendre le fonctionnement interne des modèles de raisonnement, souvent utilisés comme moteur dans les agents IA. L'auteur recommande une maîtrise de Python et PyTorch, avec un GPU pour les expériences avancées.
Ce résumé vous donne l'essentiel. L'article complet, ses chiffres et ses citations sont chez Ahead of AI.
Lire l'article originalRésumé généré par IA à partir de la source, relu par règles. Comment nous rédigeons · Signaler une erreur