斯坦福开设 CS 312「Deep Learning Alchemy」秋季新课

完整中文导读

斯坦福大学秋季开设 CS 312「Deep Learning Alchemy」，由 @tatsu_hashimoto 和 @kothasuhas 主讲，围绕深度学习核心知识多为经验性、理论难以解释的问题设计。

中文整理

作者 / 来源：meng shao (@shao__meng) · 原文时间：2026年10月14日 09:55（北京时间）

原作者信息要点

斯坦福大学开设秋季新课 CS 312「Deep Learning Alchemy」，由 @tatsu_hashimoto 和 @kothasuhas 两位老师主讲，课程地址为 https://deep-learning-alchemy.github.io/。

课程面向的问题：深度学习的核心知识大多是经验性的，理论解释不了，读论文也替代不了动手。课程以两个信条为支点：炼金术要靠手学；预测即理解，即能在跑实验前准确预判结果才算掌握。

课程安排主线为七个单元：超参调优与 scaling laws；优化器与超参不变量（NQM、μP、Muon、权重衰减）；损失景观；训练稳定性；架构容量；数据高效的泛化（切换到 DNA 模态）；未公开单元。阅读清单被描述为实证深度学习的地图，多位作者（μP、Muon、权重衰减系列）就在团队中。

作业代码、测验、讲义全部公开，课程录像由 @StanfordOnline 发布，自学者可用 Modal 租卡完整复现。该课程可视为 CS 336（从零构建 LM）的续作：那门课教造模型，这门课教理解模型行为。

@tatsu_hashimoto 表示，深度学习常被教成一套经过净化的知识与数学，但 AI 前沿工作是混乱且经验性的。新课程 Deep Learning Alchemy 旨在以 Language Modeling From Scratch 的动手精神，教授深度学习的艺术与科学。

学生通过在小 LM 上跑实验建立直觉，再通过预测测验检验：给定一个未见过的代码 diff，能否预测会发生什么。

两位主讲认为，把学生当作想被评估所学内容的严肃学习者，这类课程有显著需求，因此尝试考试比重较高的方式：7 次考试占成绩 85%，其余 15% 为线下讨论评估。

课程设计允许学生使用 AI 代理跑实验和做作业，但随后必须在无法访问作业的情况下在考试中展示掌握程度；考试中的部分分数必须通过引用作业来获得，以激励学生了解自己写的内容。

同样的作业和测验对任何人公开，讲座录像将通过 @StanfordOnline 延迟发布。作业和测验覆盖经典主题（如 NQM、run-to-run stochasticity、scaling laws）以及新近主题如 muP 或 hyperball，由 @TristanThrush 和 @wen_kaiyue 等专家制作。

本站整理与观察

本站观察：该课程将评估重心放在考试而非作业本身，并允许 AI 代理参与实验与作业，这一设计在公开材料中被明确表述为应对 AI 工具普及的评估方式。

本站观察：课程内容从超参、优化器、损失景观到训练稳定性与架构容量，再切换到 DNA 模态，呈现从通用训练行为到特定数据模态的递进结构；但材料未说明各单元的具体课时与先后顺序细节。

本站观察：材料将 CS 312 定位为 CS 336 的续作，但未给出两门课在知识前提上的具体衔接要求。

材料来自单一作者 @tatsu_hashimoto 的帖文及其引用内容，未包含斯坦福官方课程目录、教学大纲全文或第三方独立验证；课程单元的具体内容、考试形式细节、录像发布时间及作业与测验的实际难度均未在材料中说明。关于“多位作者就在团队中”的表述为原作者说法，本站未独立核实。

上下文来源：1