邱怡轩
上海财经大学统计与数据科学学院
统计学视角下的大语言模型基础课：3小时的直觉之旅
邱怡轩，上海财经大学统计与数据科学学院副教授，博士毕业于普渡大学统计系，毕业后曾于卡内基梅隆大学担任博士后研究员。主要研究方向包括深度学习、生成式人工智能和大规模统计计算与优化等，科研成果发表在统计学国际权威期刊及机器学习顶级会议上。长期参与建设统计学与数据科学社区“统计之都”，是众多开源软件（如Spectra/RSpectra、LBFGS++、ReHLine、showtext、prettydoc 等）的开发者与维护者。
课程目标
大语言模型有许多种不同的理解方式和学习路径。本次短课将从统计学的视角出发，解析 Transformer 和大语言模型（LLM）背后的统计原理和建模思路，目标是让学员建立直观的认知，而非仅仅了解其现有结构。
贯穿本次短课的一条主线是回答如下几个问题：
- 如果让我们“重新发明”一次 Transformer，我们会依照怎样的思路去解决问题？
- 为什么 Transformer 变成了现在的这个形态？它是完美的吗？
- 如果我们想要改进或扩展 Transformer，我们可能有哪些选择？
目标学员
我们预计本次短课将对以下三类学员有所助益和启发：
- 对人工智能和 LLM 感兴趣，但还没有进行过系统性学习，想了解 LLM 的概况和发展历程
- 具有统计学专业背景的老师和同学，期望能将已经具备的统计学知识迁移到 LLM 等前沿领域
- 正在从事 LLM 的研究和应用，想获取一些灵感来改进现有的方法和模型
本次短课期望目标学员具备基础的统计学和概率论知识（例如了解条件概率、极大似然估计等），最好还了解基本的机器学习概念（例如知道什么是神经网络、损失函数等）。
张源源
Gooddriver.ai
从个人增效到Agent落地：大模型应用应知应会
张源源，Gooddriver.ai AI负责人，中国人民大学校外导师，中国商业统计学会人工智能分会常务理事，数据科学社区统计之都常务理事。
长期跟踪人工智能方向前沿技术发展，发表了多篇人工智能方向顶级论文，有多项相关专利。在百度、阿里有过行业内开创性的工作，是多个知名大模型开源项目如 LangChain、Dify 等的 committer，多次受邀在 AIcon、清华、人大、中科院、Atypical Ventures 进行 LLM 交流，目前在出海做一款创新车损互助产品，做行业内第一个 end-to-end agent。
课程目标
- 熟悉科研工作者的 3 类效率倍增器应用：做调研、跑代码、写报告
- 建立正确的大模型使用心智：模型是概率式、非确定、会幻觉、会受提示与上下文分布漂移影响
- 了解 Agent 开发的关键细节：Prompt engineering、RAG、SFT、RLFT、Agent Infra
- 熟悉可重复实验在工程中的落地：提示、参数、索引、模型版本化，离线—在线闭环评测
目标学员
对大模型应用感兴趣的从业者/学习者，有 LLM 使用经验、应用开发经验尤佳。
课程大纲
- 科研工作者的 3 类效率倍增器应用：做调研、跑代码、写报告
- 做调研——问题分解｜检索计划｜证据表
- 跑代码——仓库速读｜意图澄清｜单测与调试
- 写报告——先结构后文风｜证据插槽｜版式与合规
- 使用好大模型的应知应会
- 心智模型
- prompt 技巧
- 进阶和前沿
- 开发大模型应用的应知应会
- Agent 的内涵外延
- Agent 关键技术介绍
- Fail → Fix 工程实践介绍
- Agent infra 介绍