Sebastian Raschka के from-scratch वीडियो कोर्स पर, जिसमें reasoning models बनाए जाते हैं
Sebastian Raschka का नया मुफ्त वीडियो कोर्स, जिसमें “reasoning models” बनाए जाते हैं — यानी reinforcement learning और verifiable rewards से संवर्धित LLMs — को जटिल AI concepts को सुलभ बनाने के लिए व्यापक प्रशंसा मिल रही है, खासकर उनके लोकप्रिय “LLMs from scratch” पुस्तक के follow-up के रूप में। टिप्पणीकार इस बात पर बहस करते हैं कि ऐसी सामग्री वास्तव में किसके लिए है: कुछ इसे engineers, researchers, और गंभीर hobbyists के लिए आवश्यक आधार मानते हैं जो models को समझना और fine-tune करना चाहते हैं, जबकि अन्य large systems को train करने की compute और data बाधाओं को देखते हुए इसके व्यावहारिक मूल्य पर सवाल उठाते हैं। कई लोगों का तर्क है कि छोटे स्तर के experiments, open models की post-training, और domain-specific applications frontier-scale AI बनाए बिना भी अर्थपूर्ण hands-on सीखने के लिए पर्याप्त अवसर देती हैं।
कोर्स और किताबों के बारे में समग्र प्रतिक्रिया
- कई टिप्पणीकार किताबों और नए वीडियो कोर्स की बहुत प्रशंसा करते हैं, उन्हें LLMs और reasoning models के लिए स्पष्ट, सहज परिचय बताते हैं।
- कई लोग कहते हैं कि backpropagation, attention, और PyTorch जैसे कॉन्सेप्ट इन सामग्रियों का उपयोग करने के बाद आखिरकार “click” कर गए।
- कई पाठक LLM किताब को आदर्श पहला कदम मानते हैं, और reasoning-model सामग्री को एक स्वाभाविक दूसरा कदम।
- कुछ लोग नोट करते हैं कि ये संसाधन इतने व्यापक हैं कि पेशेवर रूप से models train करने वाले लोगों के लिए भी उपयोगी हो सकते हैं।
लक्षित दर्शक और उद्देश्य
- एक थ्रेड यह सवाल उठाता है कि यह “किसके लिए” है, और सुझाव देता है कि यह मुख्यतः उन लोगों को एक aspirational identity बेचता है जो वास्तव में models नहीं बनाएंगे।
- अन्य लोग इसका विरोध करते हुए तर्क देते हैं:
- Videos मुफ्त हैं; monetization की चिंताएँ जरूरत से ज्यादा हैं।
- छोटे स्तर पर सीखते हुए करना (learning-by-doing) मूल्यवान है, भले ही आप कभी frontier models train न करें।
- यह गिटार बजाना या baking सीखने जैसा है: सीखना सार्थक है, चाहे आप world-class न भी बनें।
हॉबी के रूप में संभवता और compute requirements
- कई टिप्पणीकारों को लगता है कि ML/LLMs सीखना सामान्य software की तुलना में कम “practical” है, क्योंकि data/compute की भारी जरूरतें और वास्तविक दुनिया का गंदा data होता है।
- अन्य लोग तर्क देते हैं:
- आपको बड़े models की जरूरत नहीं है; छोटे models और classical ML अब भी उपयोगी हैं।
- मौजूदा open models को fine-tune करना और post-training करना (जैसे LoRA, RL, या domain-specific tasks के जरिए) सुलभ और अर्थपूर्ण है।
- किताब/कोर्स का code एक सामान्य laptop पर चलने के लिए बनाया गया है; consumer GPU केवल इसे तेज़ करता है।
सीखने के बाद के व्यावहारिक अगले कदम
- सुझावों में शामिल हैं:
- व्यक्तिगत या niche datasets पर छोटे models को fine-tune करना।
- personal finance, email, या photo organization के लिए छोटे classifiers बनाना।
- open-source tooling में योगदान देना (inference engines, training frameworks)।
- bioinformatics या genomics जैसे अन्य domains में ML खोजना।
“अपना खुद का model बनाओ” गाइड्स पर बहस
- कुछ लोग इन guides की तुलना “अपना खुद का CPU बनाओ” tutorials से करते हैं: शैक्षिक, लेकिन व्यवहार में बहुत उपयोगी नहीं।
- अन्य लोग जवाब देते हैं कि ऐसा ज्ञान:
- interview तैयारी के लिए उत्कृष्ट है।
- training, optimization, और RL-based post-training के बारे में आवश्यक intuition देता है।
- specialized या hyper-focused models के लिए एक आधार है, जहाँ छोटी teams भी innovation कर सकती हैं।
वैचारिक प्रश्न: reasoning models और RLVR
- एक देर की थ्रेड “reasoning models” की परिभाषा, multi-path inference, agents, और reinforcement learning with verifiable rewards के साथ उनके संबंध पर सवाल उठाती है।
- इन हिस्सों के आपस में कैसे फिट होने की timelines और mechanisms पर सक्रिय बहस हो रही है और चर्चा में वे कुछ हद तक अभी भी अस्पष्ट हैं।