Home
Language
English
Türkçe
Bahasa Indonesia
About
Privacy Policy
Terms of Service
Pricing
Sign In
Download All
Share
Stork6220
@stork6220
Joined August 2015
35
Following
24
Followers
502
Posts
stork6220
retweeted
山景城小路
@Zen_with_AI
about 19 hours ago
面试准备神器:一个非常优秀的i介绍系统设计的动画网站。 可以收藏: https://t.co/9Z6N1XzkCB
Zen_with_AI's tweet video.
stork6220
retweeted
GitTrend
@GitTrend0x
4 days ago
今天 GitHub 被「浏览器三巨头 + 安全扫描 + 代码审查」大厂联军屠榜了! 5 个星标暴增最狠的项目,专业拆解下! 1. GoogleChrome/modern-web-guidance-src Modern Web Guidance 的源码仓:把 Web 平台最佳实践和浏览器兼容数据做成技能,直接塞进你的编程 Agent,让它别再写过时套路;一行 npx 就能安装、搜索指南、扫描旧代码。由 Chrome、Edge、Firefox 和 MDN 团队共同维护。 🔗 直达:https://t.co/jfCyveI5ad AI 写前端最大的毛病就是「十年前的 Stack Overflow 味」,这回浏览器厂商亲自下场补课。1,875 星一天,含金量拉满! 🟢 2. openai/codex-security OpenAI 官方的 Codex Security 命令行和 TypeScript SDK:扫描仓库或 Git 改动、验证漏洞、生成补丁并复核修复,还能导出 SARIF/JSON/CSV,接 Linear、Jira、GitHub 和 CI。 🔗 直达:https://t.co/L47ZkoALHP 找漏洞、验漏洞、修漏洞一条龙,安全工程师多了个不下班的搭档。754 星一天,总星 1.3 万+,AppSec 正式进入 Agent 时代! 🟢🟢 3. tailscale/tailcat Tailscale 官方的「不用 Tailscale 的 Tailscale」:像 netcat 一样在两台机器间开 WireGuard 端到端加密隧道,自动打洞直连,不需要账号、不需要 root,纯用户态命令行和 Go 库。 🔗 直达:https://t.co/IAzTAftQrk 一个短地址就能把两台机器连起来,穿透 NAT 像喝水一样简单。324 星一天,网络老炮狂喜! 🟢🟢🟢 4. alibaba/open-code-review 阿里内部用了两年的 AI 代码审查工具开源:读 Git diff,交给带工具调用的 Agent 去翻全文件、搜代码库,输出精确到行的结构化评审意见;README 称同模型下精确率和 F1 明显高于通用 Agent,token 只用约九分之一。 🔗 直达:https://t.co/52v05wxt3p 数万开发者、数百万缺陷练出来的审查官,现在人人能请。206 星一天,总星 5 万+,大厂内功直接外放! 🟢🟢🟢🟢 5. ChromeDevTools/chrome-devtools-mcp Chrome DevTools 官方给 Agent 的接口:MCP 服务 + 命令行,让 Claude、Cursor、Copilot 等编程 Agent 直接操控、检查一个真实 Chrome,录性能 trace、看网络请求、截图、读控制台。 🔗 直达:https://t.co/nyjMQvI3Vh Agent 终于不再「盲写前端」,能自己打开 F12 找 bug 了。145 星一天,总星 5.5 万+,浏览器调试彻底交给 AI! 🟢🟢🟢🟢🟢 ⚠️⚠️ 总结: 今天的榜单写满了一个信号:大厂开始把自家内功直接喂给 Agent(Chrome 的 Web 指南和 DevTools、OpenAI 的安全扫描、阿里的代码审查)。工具越来越像「给 AI 用的」,谁先把 Agent 武装到牙齿,谁就站在下一波生产力的 C 位。
See More
stork6220
retweeted
Fred-New
@Fred834567
4 days ago
最近在做 AI workflow 调研时,发现了 Stanford CS 系今年新开的一门课:CS193T: Thinking with AI。 整个课程设计思路在高校 AI 课程里相当少见,非常接地气,值得分享给大家。 这门课不教模型原理,也不教机器学习,而是教「如何在真实工作中用好 AI」: ▪️ AI 到底怎么工作:破除神秘感,建立直觉 ▪️ 进阶 Prompt 技巧:探测模型的能力边界与弱点 ▪️ Agentic AI 与可复用的复杂工作流 ▪️ Token 效率、预算管理与环境成本 ▪️ 如何评估和审计 AI 系统(Accuracy 与 Accountability) ▪️ 偏见、版权、劳动力影响等社会议题 工具栈直接对标业界一线: ▪️ Claude(Chat / Cowork / Code) ▪️ ChatGPT ▪️ Gemini Enterprise ▪️ NotebookLM ▪️ DeepSeek、Llama 等开源模型 ▪️ 以及 Google Drive、Slack 等 Connectors 实操 最让我眼前一亮的设计: 1️⃣ 零先修要求,2 学分,S/NC 制——重心是"用起来",不是刷分 2️⃣ 作业即实战:每周的作业就是让你把 AI 部署在自己专业/职业/生活里真正要做的事上,课程几乎不增加额外负担 3️⃣ 每周 80 分钟 tutorial:前 20 分钟学工具,后 1 小时在 TA 指导下动手搭建 4️⃣ 期末项目:做一个定制 AI 系统,直接成为求职 portfolio 的一部分,期末 poster session 展示,没有 final exam 5️⃣ 课程明确表示不搞无脑 AI hype,认真对待 learning impaired、情绪操控等个体风险 适合谁看? 高校老师(思考怎么把 AI 教学落地)、研究者(AI-native workflow 的系统性训练)、以及所有想把自己方法论"AI 规模化"的人。 即使不在 Stanford,课程网站上的 syllabus 和 tutorial 内容全部公开,可以自学。 课程🔗:https://t.co/wPegpu2DnD
See More
stork6220
retweeted
山景城小路
@Zen_with_AI
5 days ago
Anthropic 面经:两道题 第一题:Stack Trace Stack Trace。 题目给出一组调用栈采样:程序运行时每隔一段时间抓一张快照。要求据此还原每个函数的开始和结束时间。举个例子,三张快照:[main, A]、[main, A, B]、[main, A]。第一到第二张多了 B,说明 B 这时被调用;第二到第三张 B 没了,说明 B 返回了;A 三张都在,起止定不了。思路是比较相邻快照:先找最长公共前缀,没变的是两次采样间没变的调用;前缀之后消失的是返回的函数,新出现的是新调用的函数。逐对比较,拼出每个函数的起止区间。 第二题:Function-cache key 修复 + 持久化 面试会先给你一段现成的缓存代码,一般是一个带缓存的函数或装饰器,里面已经有内存缓存的实现,任务分两步: 第一步是改错。 key 生成函数有 bug,典型毛病是参数没处理全:关键字参数顺序不同、可变参数、默认值、等价调用,算出来的 key 要么撞车、要么该相同的算成了不同。你要读懂代码、找到 bug、把 key 修对。这也是这道题最近还在考的原因。 第二步是扩展成持久化缓存。 进程崩了重启后缓存不能丢。面试级的做法是每次缓存变更都写盘,启动时重放恢复;如果面试官追问,再谈原子写、预写日志、快照这些。 这道题是要“读别人代码、找 bug、再扩展”。
See More
Who to follow
julie pedley
@pedleyjulie
sutinan thanombun
@SThanombun
Data Analyst at Harrots company. The pharmaceutical and drug importer, medical instruments, clinical supplies.
Paul Hill
@BAHSOURCE1
My Tweets = My Thoughts
stork6220
retweeted
山景城小路
@Zen_with_AI
7 days ago
AI 面试求职干货。不废话直接上链接: Nathan Lambert:AI/ML/RL 博士求职实录 https://t.co/wtn3wNuTRY Alisa's Book of LLMs https://t.co/6em7xrcmGc Alisa's Math notes https://t.co/SmCWW8hXCf 斯坦福 CS336:从零开始的语言建模 https://t.co/kzc8Uihb4H CS336 作业 1 https://t.co/lX04KBe3Pt LeetCode 75 https://t.co/E2ce5E4snO Neetcode Blind 75 https://t.co/i5ez3L3nSP 自注意力与 Transformer(CS224n)https://t.co/tRgukKO1PZ The Illustrated GPT-2 https://t.co/XIw7xWmtyj 反向传播(CS231n)https://t.co/WOz7qjqF8j 面向语言模型的策略梯度入门 https://t.co/FEpHhGY8lz GRPO 与 RL 原理轻量指南 https://t.co/Y73kpuY2ll 如何扩展你的模型 https://t.co/5XyzeRGUA2
See More
stork6220
retweeted
宝玉
@dotey
7 days ago
斯坦福 CS329Z 课程资料公开:讲座每天上 YouTube,两份作业开源,第一份教你花几美元从零写个“Claude Code” 斯坦福新课 CS329Z“AI agent 工程”(Engineering AI Agents)开始对外公开全部课程资料。授课老师之一 Michael Ryan 11 月 10 日发帖说,讲座视频每天在 Stanford Online 的 YouTube 频道上一讲,两份作业的代码仓库也放到了 GitHub,都用 MIT 协议,别的学校注明出处就能拿去上课。 开课时情况不一样。课程页写的是录像只放在斯坦福内部的 Canvas 平台给选课学生看,校外的人只能下载课件。现在官方频道已经上了第 1 讲《什么是 agent 系统》和第 2 讲《写给 agent 开发者的大模型知识》,第 1 讲播放量过了 9 万。课程主页的课表也开始在每节课旁边挂视频链接。 【第一份作业:自己写一个 agent harness】 harness 是包在模型外面的那层程序:告诉模型有哪些工具、解析它的回复、替它执行命令、管理上下文。Claude Code、Codex 都可以看成一个模型加一个 harness。 作业不许用任何 agent 框架,课程只给一个最原始的接口:传进一串消息,返回一段文字,没有工具调用,也没有结构化输出,其余全靠自己写。 前半部分做几条固定流程:给邮件判断优先级、生成每日摘要、手写 BM25 检索(一种按关键词打分的经典搜索算法),再在一份真实企业的邮件档案里做多跳问答。后半部分给一家虚构的能源公司做内部助理:自己设计工具调用格式,接入文档检索,给它一个带沙盒限制的终端,对话太长时压缩上下文,跨会话记住用户的事,执行操作前让用户批准或否决。最后由大模型扮演的“模拟用户”跟你的 agent 多轮对话,再由另一个模型打分。 对自学的人来说,最有用的是全套测试都在仓库里。一开始所有测试都失败,你的任务就是让它们一个个通过。88 分自动评分里有 48 分来自不调用模型的测试,跑多少遍都不花钱。另有几处判断题作业不给标准答案,比如一条命令输出太长时给模型看多少、压缩上下文时必须留下什么、哪些操作可以不问用户,要求你写一份设计说明讲清楚自己的选择。 Michael Ryan 说不到 5 美元的 API 额度就能做完。讲义里的数字更低:用参考答案跑一遍全部线上测试花了 0.05 美元,最后的模拟用户评测再花 0.18 美元。自己调试要反复跑,花得会比这多,好在每次调用都缓存在本地,同样的请求第二次不收钱。选课学生用课程发的 OpenRouter 密钥,校外的人得自己准备一个,默认模型是 openai/gpt-6-luna。 【第二份作业:给 agent 出一道考题】 第二份作业由 John Yang 设计。他是 SWE-bench 的共同作者,这套测试用真实的 GitHub 问题考 AI 会不会修 bug,各家发编程模型常拿它报成绩。 作业教的是怎么出一道 Terminal-Bench 风格的题:给 agent 一段问题描述,让它在命令行环境里动手,最后用测试脚本判断做没做对。用的工具 Harbor 出自 Terminal-Bench 团队,它规定一道题怎么打包(题面、Docker 环境、验证脚本),并负责启动 agent、跑验证、保存结果。 作业先带你用 Harbor 跑 SWE-bench Verified、Terminal-Bench 2.1 里的现成题目。占 70% 分数的部分是自己出一道题,用 mini-SWE-agent(一个只带 bash 工具的极简编程 agent)配 Gemini 3.8 Flash 跑五次,分析这道题是否有效、贴近真实、能复现、有难度。需要装 Docker,准备 Gemini 或 OpenRouter 的密钥。 两份作业的说明文件末尾都写了致谢:第一份是在 Claude Fable 5.1 的大量帮助下做出来的,第二份用了 Claude Opus 5.5。 【后面还有什么】 课程由斯坦福计算机系的 Diyi Yang 和两位博士生 Michael Ryan、John Yang 共同讲授,第一届有 100 多名学生。这学期的课表里还有 Andrew Ng 的炉边对谈,还有 SWE-bench 两位作者 Carlos Jimenez、Alexander Wettig(现在在 Anthropic)的客座讲座。Michael Ryan 说之后还会公开学生做的作品。主要资助方是 Laude Institute,Thinking Machines、Google Cloud、AWS 和 Harbor 给学生提供了 API 额度。 照着第二份作业讲义克隆仓库时注意,讲义里写的仓库名是 assignment2-harness,实际地址是 assignment2-evals。 课程主页:https://t.co/y7KbVMdU2r 第 1 讲视频:https://t.co/Ls8MuXXJNH 第 2 讲视频:https://t.co/gs46i1u5FX 作业一仓库:https://t.co/BzYDnPsmsN 作业二仓库:https://t.co/dbAzZW2Zkt 原帖:https://t.co/1tVnCAIpHY
See More
stork6220
retweeted
山景城小路
@Zen_with_AI
19 days ago
小路带你看大厂架构|Uber 翻译库从 2.7GB 砍到 750MB,P99 还不到 1ms Uber 每秒要 serve 数百万条翻译,全放内存里换低延迟,但代价先是 CPU:GC 曾经吃掉服务 20% 以上的 CPU,70% 的对象都来自翻译。根因在 https://t.co/8JF562s7n5:存一条翻译要创建 4 个对象,interface 指针、entry 指针、atomic.Pointer、值指针各一个。换成 map[string]string 加 RWMutex 后,CPU 直接降了 30% 以上。但内存问题还在:每几小时刷新一次,做法是后台建新缓存再原子替换,替换瞬间双份 800MB 齐活,有的服务直接 OOM。最终方案是混合磁盘存储:全量数据放磁盘自定义格式,内存只留键和文件偏移。键先哈希成 6 字节:1 字节分 256 个 shard,剩下 5 字节做 shard 内键;每条目存 11 字节,2 字节内存索引加 3 字节磁盘偏移,偏移按 8 字节对齐压缩后每 shard 可索引 128MB。 效果很直观:200 万词条的库从 800MB 压到 40MB 元数据,刷新时只需多 40MB。热值走 LRU,但 LRU 时间戳只按秒级更新,后台 goroutine 定时刷新一个 atomic 时间变量,因为实测 https://t.co/Dvw6DwfkeW 本身要吃 3–5% CPU;刷新时还只预加载 15 分钟内用过的条目。最终成绩:命中率超 99.9%,只有约 1% 的条目(3 万/400 万以上)常驻内存,miss 的 p99 延迟不到 100µs,内存 RSS 从约 2.7GB 降到约 750MB,P99 稳稳压在 1ms 以下。 https://t.co/KoeGoP7kIu
See More
stork6220
retweeted
Alin A
@Alinsees
28 days ago
现在顶尖大学里教 Agent,已经开始一路教到 GPU 了。 非常推荐 Harvard 的 CS2680 Modern AI Systems 。课程从 Claude Code、Agent Loop、Eval 和 Token 成本开始,一路往下做到模型部署、Routing、KV Cache、量化和 speculative decoding。 作业设计也很有巧思,5 个作业都围着同一个 Agent 系统往下拆,先看它怎么工作,再自己搭 Harness,最后一路优化到推理层。 感觉它更像是在回答一个问题: 一个现代 AI Agent,到底是怎么从应用层一路跑到底层系统的? 做 Agent、Harness、AI Infra 的可以收藏。
See More
stork6220
retweeted
山景城小路
@Zen_with_AI
28 days ago
OpenAI面试真题 Real-Time Typing Arena 系统设计 题面:实时多人打字竞技平台(类 typeracer:同房间实时竞速)。 必聊的点: 实时同步:WebSocket 长连接;击键事件推送频率 vs 带宽(是每键都推还是节流批量?) 房间与匹配:按水平分房(ELO-like)、房间状态机(等待→倒计时→进行中→结算) 延迟与公平:客户端预测 + 服务端权威校验;不同延迟玩家的起跑同步(倒计时对齐) 作弊检测:输入速度/节奏异常检测(人类打字速度上限、粘贴作弊)、服务端复算 WPM 排行榜:Redis sorted set 存实时排名;历史最佳、赛季榜分开 扩展:按 room 分片(一台机器管 N 个房间);房间是天然的分片键,无需跨片事务 可观测:P99 消息延迟、掉线重连(断线 5 秒内可回房间续打) 追问方向,OpenAI onsite 喜欢深挖实现细节 WebSocket 连接数上去后,单机能撑多少?瓶颈在内存还是 epoll? 排行榜写放大怎么解?(批量更新、只更新 Top-K 变更)
See More
stork6220
retweeted
山景城小路
@Zen_with_AI
28 days ago
A\ onsite面试是连续两天去旧金山写算法模块,做系统设计,聊AI哲学,深挖过去项目。 btw, A\的办公室是原来的 Slack在旧金山的总部
stork6220
retweeted
山景城小路
@Zen_with_AI
29 days ago
https://t.co/DfGluJkptP
stork6220
retweeted
Michael Guo
@Michaelzsguo
about 1 month ago
刷算法题有 LeetCode,刷 AI / ML 题有 TrenTorch! 学了那么多机器学习理论,真让你从零写一个 Softmax、反向传播,甚至 Transformer,你能写出来吗? https://t.co/apDvQERf1b 免费提供 1600 多道题,从线性回归、神经网络,到强化学习、模型推理和底层 Kernel。 玩法和 LeetCode 一样:看题、写代码、提交,用隐藏测试验证结果。区别在于,LeetCode 考算法和数据结构,TrenTorch 考你能不能亲手实现机器学习算法。 比如平时一行代码就能调用的 Softmax、交叉熵损失,在这里都得从零实现,还要处理数值溢出、张量形状等细节。 准备 AI / ML 岗位面试可以拿它刷题,自学也能检验一下:那些看懂了的理论,自己到底能不能写出来。 网站展示的注册用户里,也有来自 OpenAI、Anthropic 等头部公司,以及哈佛、斯坦福等高校的学习者。
See More
stork6220
retweeted
山景城小路
@Zen_with_AI
about 1 month ago
中国码农硅谷大厂9重关: ① 初入江湖:LeetCode 刷到 500 题,看到 题目就能点感到解法和模板,感觉自己已经是 L5 了 ② 广撒网:内推信发了不知多少封,LinkedIn 给 HR 挨个点赞,referral 拿到一把 ③ OA 电面:HackerRank 全通过,电面被 follow-up 问到有点怀疑自己,开始准备 behavior 题 ④ Onsite:五轮车轮战,白板画到没地方落笔,HR 说 we'd love to have you ⑤ 谈 package:拿两个 offer 左右互搏,base、sign-on、RSU 都不含糊 ⑥ 入职蜜月:onboarding 一周吃遍园区食堂,洗衣服剪头发一个福利都不省,觉得 work-life balance 诚不我欺 ⑦ 现实毒打:半夜被 pager 炒醒3次,思考半年impact头疼,年终Review忐忑 ⑧ 裁员惊魂:公司一轮轮裁员好像都都躲过去了 ⑨ 突然一个和svp 1:1的meeting invitation: 好像该来的还是要来,感叹一句出来混总是要还的 突然半夜惊醒,原来都是一场梦
See More
stork6220
retweeted
Xudong Han
@Xudong07452910
about 1 month ago
现在顶尖大学里教 Agent,已经开始一路教到 GPU 了。 非常推荐 Harvard 的 CS2680 Modern AI Systems 。课程从 Claude Code、Agent Loop、Eval 和 Token 成本开始,一路往下做到模型部署、Routing、KV Cache、量化和 speculative decoding。 作业设计也很有巧思,5 个作业都围着同一个 Agent 系统往下拆,先看它怎么工作,再自己搭 Harness,最后一路优化到推理层。 感觉它更像是在回答一个问题: 一个现代 AI Agent,到底是怎么从应用层一路跑到底层系统的? 做 Agent、Harness、AI Infra 的可以收藏。 https://t.co/zUUJPY4lyA
See More
stork6220
retweeted
山景城小路
@Zen_with_AI
about 1 month ago
10/9 最新 Sam 家面经,, OpenAI 面试复盘 筛选轮:以系统设计开场 上来就是系统设计,题目是 Webhook Delivery Platform。极端规模,数十亿请求量级下怎么做 reliability 和 performance。面试官一直在往实现细节里钻。 Coding 1:给业余编程语言设计类型系统 备战启示:OpenAI 的 coding 不全是 LeetCode 式算法,"设计一个 X"这类题也要能接。 Behavioral(60 分钟):常规 Why OpenAI、冲突处理、超越职责边界的 ownership、能 handle 多大 scope Technical Deep Dive(60 分钟):30 分钟项目展示 + 拷打 先讲自己过去的项目,然后被深挖实现细节和做过的 tradeoff。提前准备一个能讲半小时的项目是刚需。 系统设计轮:真正的 Boss 战 题目是设计类 GitHub Actions 的 CI/CD 系统,要求 reliability 优先、performance 其次。 Coding 2:树上机器计数 树遍历的变体题。练手题:LC 222(Count Complete Tree Nodes)、LC 968(Binary Tree Cameras)。 复盘总结 coding 难度符合大厂 senior 预期,系统设计则是"另一个量级的难"。OpenAI 的画像很清晰: 系统设计必深挖实现细节,背八股文不够
See More
stork6220
retweeted
山景城小路
@Zen_with_AI
about 1 month ago
最近OpenAI 面经: Infection Spread,60 分钟 5 连问 本质是 LeetCode 994 腐烂橘子的豪华版,multi-source BFS 起手。 Part 1 基础传播:每天每个感染格同时感染 4 邻域健康格,求全感染天数,不可能就返回 -1。多源 BFS,一遍 O(R·C)。 Part 2 加免疫墙(2=immune):永不感染也不传播。BFS 不变,遇到墙跳过;有健康格被墙死了就返回 -1。 Part 3 自愈:感染 D 天后变 immune 不再传播。坑在 off-by-one:第 t 天感染的格,current_day - t >= D 当天先变 immune 再传播,顺序反了就错。 Part 4 阈值+死亡:健康格要有 ≥K 个感染邻居才被感染,变体还有死亡倒计时。纯 BFS 骨架不够了,改同步更新:快照当前格,一次算完再整体替换,in-place 直接改是最大 bug 源。 Part 5 每天烧一行或一列,最小化死亡总数——优化问题,能走到这的人很少。 通关口诀:Part 1-2 纯 BFS,Part 3 起同步更新 + day stamp;干净做完前 3 部分就能拿 strong。
See More
stork6220
retweeted
山景城小路
@Zen_with_AI
about 1 month ago
https://t.co/xxhwbaKB8Z
stork6220
retweeted
山景城小路
@Zen_with_AI
about 1 month ago
A\湾区电面的题库很小,来回来去就那么几道题。我分享一道。 大家看到保存就行了不需要转发。转发太多回头题目就作废了。 Anthropic 电面真题:Stack Trace( 题目:给你一串 profiler 采样,每个采样 = 时间戳 + 当时的函数调用栈。把它还原成 start/end 事件序列,拼出完整的调用时间线。 输入:[(0, [main, outer]), (1, [main, outer, inner]), (2, [main, outer]), (3, [main])] 输出:start main → start outer → start inner → end inner → end outer → end main 思路就一句话:相邻采样做 diff。 新采样和上一个栈找最长公共前缀 上一个栈多出来的函数 → 从内到外依次 end,end 时间记这次采样的时间戳 新采样多出来的函数 → 从外到内依次 start 跑完所有采样,把栈里剩的函数全部 end 掉 面试官的灵魂拷问:"第三个采样为什么说明 my_fn 在 10.7 结束?"——采样是瞬时快照,第三个采样里它不见了,说明它在两次采样之间返回了,end 就记这次的时间戳。先把这个讲清楚,再写代码。 复杂度 O(总函数名数),每个函数进出各一次。 Anthropic 题库很小,同场还考:Web Crawler(LC 1236/1242)、LRU Cache、Tokenization Engine。面他家先把这几个刷了。
See More
stork6220
retweeted
lumxss
@bkdgiffug
about 1 month ago
想系统搞懂 RL + LLM 训练,可以看看 UCLA 这门公开课《大语言模型的强化学习》。 课程不只是讲公式,而是从强化学习基础一路讲到 LLM 对齐训练: ① MDP、策略梯度、A3C、PPO 等核心算法 ② NLP、语言模型、RNN 等 LLM 前置知识 ③ RLHF:数据收集 → 奖励模型 → 微调 ④ 可验证奖励强化学习与安全对齐 ⑤ 配套 Jupyter 代码、作业、视频和课件 理论和实践都有,适合想把 RL 到 LLM 训练这条线真正串起来的人。 🔗https://t.co/ZqYpFicTl1
stork6220
retweeted
QingYue
@YuLin807
about 2 months ago
如何制作这种可以好像是图片但是其实又是动图的图表呢?! 我制作了一份 skill 予以实现 live panel skill 链接见评论区
YuLin807's tweet video.
Last Seen Users on Sotwe
白玖✖️🤍
Seen from
United States
XenoDanTw jugando #TrailsInTheSky2nd
Seen from
Argentina
InkMoreno
Seen from
Thailand
BBW MOM
Seen from
United States
سجاد ❤️🫦
Seen from
Kuwait
darkangel8181
Seen from
Turkey
Phan Quang
Seen from
Vietnam
steve holmes
Seen from
Pakistan
gavat kocalar
Seen from
Turkey
Gusion
Seen from
Indonesia
Trends for you
1
Grimes
Under 10K tweets
2
GTA 6
Under 10K tweets
3
New Zealand
Under 10K tweets
4
Good Wednesday
Under 10K tweets
5
Happy Hump
Under 10K tweets
6
Charles Lee
Under 10K tweets
7
Hump Day
Under 10K tweets
8
#dwts
Under 10K tweets
9
Shenzhen
Under 10K tweets
10
Naz Reid
Under 10K tweets
Most Popular Users
1
Elon Musk
@elonmusk
240.6M followers
2
Barack Obama
@barackobama
118.7M followers
3
Cristiano Ronaldo
@cristiano
114.5M followers
4
Donald J. Trump
@realdonaldtrump
111.9M followers
5
Narendra Modi
@narendramodi
107M followers
6
Rihanna
@rihanna
98.7M followers
7
NASA
@nasa
92.2M followers
8
Justin Bieber
@justinbieber
91.8M followers
9
KATY PERRY
@katyperry
90M followers
10
Taylor Swift
@taylorswift13
84M followers
11
Lady Gaga
@ladygaga
75.5M followers
12
Virat Kohli
@imvkohli
73.4M followers
13
Kim Kardashian
@kimkardashian
70.8M followers
14
YouTube
@youtube
68.7M followers
15
Neymar Jr
@neymarjr
66.4M followers
16
Bill Gates
@billgates
65.2M followers
17
Selena Gomez
@selenagomez
63.1M followers
18
The Ellen Show
@theellenshow
62.1M followers
19
CNN
@cnn
61.7M followers
20
X
@x
60.6M followers
Olivia
Online
✨
⭐
💫