Videokurs: Bygg resonerande AI-modeller från grunden
En ny videokurs på över 11 timmar lär ut hur man bygger resonerande AI-modeller (modeller som kan lösa komplexa problem steg för steg) med Python och PyTorch. Kursen täcker tekniker som reinforcement learning och destillation – metoder som används i modeller som OpenAI:s o1 och DeepSeek-R1.
Djupdykning
Reasoning models — alltså AI-modeller som "tänker högt" innan de svarar, typ OpenAIs o1 eller DeepSeeks R1 — har länge känts som svart magi förbehållet stora labb med gigantiska resurser. Det här kursmaterialet, över 11 timmar kodvideor, bryter ner precis hur de byggs från grunden med Python och PyTorch, och täcker allt från reinforcement learning (där modellen tränas genom belöningar snarare än rätta svar) till destillation (att pressa ner en stor modells förmågor i en mindre modell). Det som de flesta missar i diskussionen om reasoning models är att det verkliga genombrottet inte är arkitekturen i sig, utan inference-time scaling — idén att låta modellen använda mer beräkningskraft vid själva svarstillfället, inte bara under träning, vilket vänder upp och ner på hur vi tänker kring kostnader och kapacitet. En kurs som den här signalerar att dessa tekniker håller på att demokratiseras på allvar, ungefär som när Hugging Face gjorde fine-tuning tillgängligt för gemene ML-ingenjör för några år sedan. Det betyder att nästa våg av reasoning-modeller lika gärna kan komma från ett litet team i Malmö som från ett labb i San Francisco.