The annotated PyTorch training loop

智能电网场景下的 LLM/agent 教程：主张 solver-grounded 原则数值结果须来自可信工具并通过显式校验才可上报；覆盖 prompting 与 agent 架构积木，并在风电预测EV 调度潮流与事故诊断四案例对照 LLM-only 与 solver-grounded；提出任务效用求解正确性忠实与安全失败成本延迟四组评估框架收录理由：把模型编排 + 工具计算 + 校验门的分工写清楚，是垂直领域 agent 设计的高质量参考教程

面向把 LLM agentic 系统从研究原型推进到生产的教程，覆盖软件工程科学发现与金融等场景对比学界偏重基准与算法部署侧更关心鲁棒性/安全/可靠性；讨论推理与规划多 Agent 协作与评估，并用制药发现与金融案例提炼成功设计模式与失败缓解（验证流水线回退人在回路）产出侧重设计模式评估清单与跨行业安全可靠部署模板arXiv:2607.19336，2026-07-21

PyTorch 团队把 Monarch 的单控制器actor runtimeprocess mesh 和 supervision tree 带到 ROCm，让 AMD GPU 集群可以跑弹性分布式训练文章给出 TorchTitanTorchFTMonarch 组合后的无全局重启恢复流程，包括本地重启Lighthouse 选 donorpeer checkpoint transfer 和 quorum 重建，并展示 128/256 GPU 规模下的故障恢复实验

Hiroshi Shishido深入分析大语言模型的注意力机制瓶颈研究提出了一种新的注意力计算范式，通过动态稀疏化和分块处理将训练和推理时间缩短30%项目包含完整的PyTorch实现和详细的性能对比分析，为研究者提供了可复现的实验框架该方案在保持精度的同时大幅降低了LLM的硬件要求