课堂稿的来源与条件
沿用教师稿指定的教材位置，结合原文核对方法与历史。教材引用不表示本轮重新获取了所有 PDF；本轮新增检查见改稿记录。
S0
当前课程主页 https://codingai.pages.dev/ ：L03可迁移表示与多模态感知；L04生成；L05注意力、Transformer与上下文；L06预训练、扩展定律与上下文学习；L07搜索、推理与验证；L08检索、记忆与上下文工程。RNN随L05进入是教师本轮明确补充。
打开原文 ↗S1
附件 MIT 6.S058 Spring 2026《Learning Visual Representations》，`11_representation_kaiming.pdf`，重点18—29页：预训练、微调、冻结、network surgery，以及模型/数据/目标。
S2
附件 Stanford CS231n Spring 2026《Self-Supervised Learning》，`lecture_12(2).pdf`，8—15页与74—87页：标签瓶颈、pretext/下游、SimCLR、投影头的可能解释、MoCo队列与MoCo v2。
S3
同上，48—55页：MAE遮挡、编码/解码、损失与评估；本轮查看了这些页的图。
S4
附件 MIT 6.S058 Spring 2026《Object Recognition》，`15_object_recognition_kaiming.pdf`，任务输出、空间特征与FCN等段落；结合下列原论文核查入口。
S5
MoCo 原文 https://arxiv.org/abs/1911.05722 与附件S2；InfoNCE数值解释亦参考附件 MIT Fall 2025《Similarity-based Representation Learning》19—20页。MoCo2019预印本、CVPR2020；教学顺序不充当历史因果。
打开原文 ↗S6
附件 CS231n《Detection, Segmentation, Visualization, and Understanding》，`lecture_9(2).pdf`，112—120页区域掩码与同对象不同RoI目标；本轮查看了112—119页图示。
S7
YC 2016 同期访谈《Scale is an API for human labor》https://www.ycombinator.com/blog/scale 。不延伸到当前公司职务、估值或私人动机。
打开原文 ↗S8
附件 MIT Fall 2025《Memory and Sequence Modeling》中的自回归目标示意，以及教师确认的语言目标开场。仅采纳“答案来源”的解释，不搬入其RNN/LSTM课程组织。
S9
附件 CS231n《Large-Scale Distributed Training》，`lecture_11(2).pdf`；本轮只保留计算条件与方法取舍的概念联系，其完整硬件/并行内容不进入主讲。
S10
附件 MIT Fall 2025《Representation Learning: Intro & Reconstruction-based Methods》及CS231n视觉补全/MAE段落。K-means、PCA、AE推导转入补充，不按原材料目录重讲。
S11
已有课内空间算例及FCN原文；D2L转置卷积/FCN章节作为后续实现核查入口，不声称本轮重跑了其中代码：https://zh.d2l.ai/chapter_computer-vision/transposed-conv.html ，https://zh.d2l.ai/chapter_computer-vision/fcn.html 。
打开原文 ↗ 打开原文 ↗S12
附件 CS231n Spring 2026《Vision + Language (and Foundation Models)》，`lecture_16(2).pdf`，9—25、65—72页及原始LLaVA论文。保留表示与接口，不复制其“上节已学Transformer”的前提。
S13
附件 MIT Fall 2025《Similarity-based Representation Learning》12—16页的预计算/双编码关系；ANN和late interaction深讲不进入本讲。
P1
R-CNN: https://arxiv.org/abs/1311.2524 。作者Girshick、Donahue、Darrell、Malik。
打开原文 ↗P2
SPP-net: https://arxiv.org/abs/1406.4729 。作者He、Zhang、Ren、Sun。
打开原文 ↗P3
Fast R-CNN: https://arxiv.org/abs/1504.08083 。Ross Girshick。
打开原文 ↗P4
Faster R-CNN: https://arxiv.org/abs/1506.01497 。Ren、He、Girshick、Sun。
打开原文 ↗P5
FCN: https://arxiv.org/abs/1411.4038 。Long、Shelhamer、Darrell。
打开原文 ↗P6
Mask R-CNN: https://arxiv.org/abs/1703.06870 。He、Gkioxari、Dollár、Girshick；区域对齐与掩码分支。
打开原文 ↗P7
SAM: https://arxiv.org/abs/2304.02643 。原始方案的提示、MAE初始化与任务训练；SA-1B。
打开原文 ↗P8
LRCN: https://arxiv.org/abs/1411.4389 。
打开原文 ↗P9
Show and Tell: https://arxiv.org/abs/1411.4555 。
打开原文 ↗P10
Karpathy/Fei-Fei Li，Deep Visual-Semantic Alignments: https://www.cv-foundation.org/openaccess/content_cvpr_2015/html/Karpathy_Deep_Visual-Semantic_Alignments_2015_CVPR_paper.html 。
打开原文 ↗P11
Deep Compositional Captioning: https://arxiv.org/abs/1511.05284 。未见配对组合不等于所有数据中未见物体。
打开原文 ↗P12
VQA: https://arxiv.org/abs/1505.00468 。
打开原文 ↗P13
COCO Captions: https://arxiv.org/abs/1504.00325 ；DeViSE 2013: https://proceedings.neurips.cc/paper_files/paper/2013/hash/7cce53cf90577442771720a370c3c723-Abstract.html 。
打开原文 ↗ 打开原文 ↗P14
ViLBERT: https://arxiv.org/abs/1908.02265 。
打开原文 ↗P15
CLIP: https://arxiv.org/abs/2103.00020 。原始训练数据不等于LAION。
打开原文 ↗P16
LAION-5B: https://arxiv.org/abs/2210.08402 。
打开原文 ↗P17
GLIP: https://arxiv.org/abs/2112.03857 。
打开原文 ↗P18
原始LLaVA《Visual Instruction Tuning》§4.1—4.2: https://arxiv.org/html/2304.08485v2 。本轮核对模块、投影与两阶段冻结范围；不是LLaVA后续版本的通用训练说明。
打开原文 ↗P19
教师已确认的L04生成路线与S0课程主页。P67—68为课程桥梁设计，不是对生成算法完整机制的概述。