Библиотека источников

Лучшие курсы, книги, репозитории и статьи по ИИ и LLM на китайском, английском и русском — с уровнем, лицензией и ступенью курса, на которой они пригодятся.

Курс ChinaAI стоит на плечах чужих хороших материалов. Здесь собраны первоисточники, которые мы считаем лучшими на трёх языках. У каждого указано, чему он учит, насколько он сложный, на какой ступени курса пригодится и что разрешает его лицензия.

Библиотека не заменяет уроки. Уроки ведут вас по одному маршруту без пропусков, а библиотека нужна, когда хочется копнуть глубже, посмотреть ту же тему глазами другого автора или прочитать оригинал статьи.

Как читать таблицы

Уровень. 🟢 — можно с нуля. 🟡 — нужна база: Python, NumPy, PyTorch (ступени 0–3). 🔴 — продвинутый, после ступени 5. Стрелка 🟢→🟡 значит, что материал начинается просто и постепенно усложняется.
Лицензия → что можно.
- ✅ Свободная (MIT, Apache-2.0, CC BY): можно переводить, адаптировать и копировать код, указав автора.
- ♻️ CC BY-SA: можно переводить; производная работа выходит под той же лицензией.
- ⚠️ CC BY-NC-SA: переводить можно только некоммерчески и под той же лицензией.
- 🔗 Нет лицензии, ND или закрытый материал: только ссылка и пересказ своими словами.
Ступень. Целое число — ступень курса, число с точкой — модуль (5.2 — «Эффективное внимание»). Карта ступеней — на странице «Карта курса и прогресс».
Пометки проверки. Лицензии репозиториев GitHub проверены по файлам LICENSE и README 03.10.2026. (п) — адрес взят из поисковой выдачи, сайт напрямую не открывался. [?] — факт не подтверждён первоисточником.
Незнакомые слова (SFT, LoRA, GRPO, MoE…) ищите в глоссарии. Подробно их объясняют уроки той ступени, которая указана в таблице, так что пугаться аббревиатур в описаниях не нужно.

Если времени мало: 10 главных источников

MiniMind — своя LLM за пару часовКитайский проект на чистом PyTorch: токенизатор, претрейн, SFT, LoRA, DPO, GRPO. Apache-2.0. Ступени 5–6 и выпускной проект.

happy-llm (Datawhale)Путь от NLP до своей LLaMA-подобной модели на китайском. CC BY-NC-SA 4.0. Ступени 4–6.

Karpathy — Neural Networks: Zero to Heromicrograd, makemore, GPT и токенизатор в видео с кодом. MIT. Ступени 3–4.

Stanford CS336 — заданияLLM с нуля под автотестами: BPE, трансформер, системы, данные, выравнивание. Задания 1–2 — MIT. Ступени 4–7.

«Погружение в глубокое обучение» (d2l-zh)Учебник Ли Му по глубокому обучению с ноутбуками. Apache-2.0. Ступени 2–4.

nndl/llm-beginner (Фуданьский университет)6 задач с автопроверкой: от Transformer до агента. MIT. Ступени 4–8.

RLHF Book (Nathan Lambert)Главная книга по пост-обучению: reward-модели, PPO, DPO, RL с проверяемыми наградами. Главы — CC BY-NC-SA 4.0, код — MIT. Ступень 6.

hello-agents (Datawhale)Агенты с нуля: ReAct, память, MCP, Agentic RL. CC BY-NC-SA 4.0. Ступень 8.

Курсы Ли Хунъи (Hung-yi Lee, NTU)Лучший китайскоязычный лектор по ML и генеративному ИИ. Только ссылки. Ступени 2–9.

Учебник по ML от ШАДГлавный русскоязычный учебник по машинному обучению. Только ссылка. Ступени 2–4.

Что читать параллельно с каждой ступенью

Если хочется второго объяснения той же темы, начните с левой колонки. Правая — для тех, кто хочет копнуть глубже. Все источники из таблицы подробно описаны ниже.

Ступень	Параллельно с уроками	Глубже
0. Инструменты и Python	Хендбук Яндекса по Python; «Изучаем Python с умом» (Datawhale)	MIT Missing Semester — терминал и Git
1. Математика	Хендбук Яндекса по математике; d2l-zh, гл. 2 «Предварительные знания»	pumpkin-book; книга MML
2. Основы ML	Учебник по ML от ШАД; leedl-tutorial («Яблочная книга»)	mlcourse.ai; курс ML 2021 Ли Хунъи
3. Нейросети	Zero to Hero (micrograd); 3Blue1Brown, гл. 1–4; d2l-zh, гл. 4–5	thorough-pytorch; CS231n
4. Трансформер	Zero to Hero (makemore, GPT, токенизатор); курс Лены Войты; Джей Аламмар	happy-llm, гл. 1–2; LLMs-from-scratch Рашки; CS336, задание 1
5. Большие модели	MiniMind; статьи DeepSeek-V2 и DeepSeek-V3	diy-llm; Ultra-Scale Playbook; блог kexue.fm
6. Пост-трейнинг	RLHF Book; HF LLM Course, гл. 11–12	статьи DeepSeekMath и DeepSeek-R1; reasoning-from-scratch; easy-rl
7. Инференс	nano-vllm; статьи vLLM и SGLang	llm-algo-leetcode; Efficient DL Systems; GPT Week ШАД
8. Приложения	hello-agents; all-in-rag; HF Agents Course (есть по-русски)	Alibaba ACP; MCP Course; llm-beginner, задачи 4–6
9. Фронтир	статьи 2025–2026 из раздела «Ключевые статьи»	paper-reading Ли Му; издания «Цзици чжи синь» (Synced) и «Лянцзывэй» (QbitAI)
10. Выпускной проект	MiniMind и nanochat	задания CS336 как образец строгого формата

Китайские источники

Китайское сообщество выкладывает в открытый доступ удивительно много: полные книги, курсы с автопроверкой, проекты «LLM с нуля». Большинство написано на китайском, но читается машинным переводом вместе с нашим глоссарием. Как это делать — в уроке «Как читать китайские технические источники», а обзор экосистемы — в уроке «Образовательная экосистема Китая».

Datawhale — открытые книги и туториалы

Datawhale — некоммерческое сообщество, у которого больше 200 открытых репозиториев, в основном учебных. Почти всё выходит под CC BY-NC-SA 4.0: переводить можно, но только некоммерчески и под той же лицензией. Самые ценные для нашего курса:

Ресурс	Что внутри	Уровень	Лицензия → можно	Ступень
happy-llm «Строим большую модель с нуля»	NLP → Transformer → своя LLaMA2 на 215M: токенизатор, претрейн, SFT, LoRA; затем RAG, агенты и Agentic RL (GRPO). Есть онлайн-версия, PDF и слайды	🟡	CC BY-NC-SA 4.0 ⚠️	4–6, хребет курса
hello-agents «Строим агентов с нуля»	16 глав: ReAct, Plan-and-Solve и Reflection своими руками; Coze, Dify, n8n; AutoGen, AgentScope, LangGraph; память, RAG, context engineering, MCP и A2A; Agentic RL; дипломный проект. Сайт	🟡	CC BY-NC-SA 4.0 ⚠️	8.3
self-llm «Открытые большие модели: инструкция по применению»	Рецепты деплоя, LoRA и полного дообучения для десятков открытых моделей: Qwen, GLM, InternLM, DeepSeek, мультимодальные	🟡	Apache-2.0 ✅	6.2, 7.2
all-in-rag	Весь стек RAG: чанкинг, эмбеддинги, Milvus, гибридный поиск, Text2SQL, графовый RAG, оценка, проекты	🟡	CC BY-NC-SA 4.0 ⚠️ (указана в README)	8.2
base-llm	Мост от NLP к LLM: Word2Vec, RNN, LSTM, attention, BERT, GPT, T5; Llama2 с нуля; PEFT, RLHF, квантование, деплой	🟡	CC BY-NC-SA 4.0 ⚠️ (README)	4.3–4.5
diy-llm	Китайская адаптация Stanford CS336: BPE, MoE, Triton, распределённое обучение, законы масштабирования, данные, GRPO; 6 заданий	🔴	CC BY-NC-SA 4.0 ⚠️ (README); права на задания CS336 — у Стэнфорда	4–7, продвинутый трек
llm-algo-leetcode «Алгоритмы и системы больших моделей»	Ноутбуки «условие → решение → тесты»: PyTorch → Triton → CUDA, инференс, квантование, параллелизм	🔴	текст CC BY 4.0 ✅, код Apache-2.0 ✅	5.4, 7.1–7.2
tiny-universe	«Белый ящик LLM»: Qwen2, RAG, агент и оценка, собранные руками	🟡	CC BY-NC-SA 4.0 ⚠️ (README)	4.6, 8
llms-from-scratch-cn	Книга Рашки на китайском плюс GLM4, Llama3 и RWKV6 с нуля	🟡	код MIT ✅ (по файлу LICENSE; бейдж в README говорит Apache-2.0); текст CC BY-NC-SA ⚠️; права на саму книгу — у издательства Manning	4.6
so-large-lm «Основы больших моделей»	Теория LLM по мотивам Stanford CS324	🟡	в README бейдж MIT, но файла LICENSE нет 🔗	5
leedl-tutorial «Яблочная книга»	Конспект курса ML 2021 Ли Хунъи (с частями курса 2017 года), рекомендованный самим лектором: от основ до CNN, Transformer, GAN и RL; PDF. В 2024 году издан на бумаге под названием «Глубокое обучение в подробностях»	🟢	CC BY-NC-SA 4.0 ⚠️	2–3
leegenai-tutorial	Конспект курса генеративного ИИ Ли Хунъи	🟢	CC BY-NC-SA 4.0 ⚠️	4, 6
pumpkin-book «Тыквенная книга»	Подробные выводы формул к «Арбузной книге» — классическому учебнику «Машинное обучение» Чжоу Чжихуа	🟡	CC BY-NC-SA 4.0 ⚠️	1–2
easy-rl «Грибная книга»	Обучение с подкреплением от MDP до PPO и TD3	🟡	CC BY-NC-SA 4.0 ⚠️	6.3
thorough-pytorch	PyTorch подробно, от тензоров до обучения	🟢	CC BY-NC-SA 4.0 ⚠️	3.3
learn-python-the-smart-way-v2 «Изучаем Python с умом»	Python для начинающих с уклоном в информатику и ИИ	🟢	CC BY-NC-SA 4.0 ⚠️	0.2
math-for-ai «Математические основы искусственного интеллекта»	Математика для ИИ; сейчас это в основном перевод книги MML на китайский	🟡	CC BY-NC-SA 4.0 в README, но права на саму книгу MML — у её авторов 🔗	1
handy-ollama	Локальный запуск моделей через Ollama	🟢	CC BY-NC-SA 4.0 ⚠️	7.2
unlock-deepseek	Разборы технологий DeepSeek	🟡	CC BY-NC-SA 4.0 ⚠️ (README)	5, 6.4
zero-to-sglang	Свой мини-SGLang; сделан вместе с командой SGLang (08.2026)	🔴	CC BY-NC-SA 4.0 ⚠️ (README)	7.1
llm-universe «Разработка приложений на больших моделях своими руками»	Разработка LLM-приложений для новичков: API, LangChain, база знаний, деплой	🟢	не указана 🔗	8.1–8.2
llm-cookbook	Курсы Эндрю Ына (DeepLearning.AI) на китайском; обновляется редко	🟢	CC BY-NC-SA в README, но права на исходные курсы — у DeepLearning.AI 🔗	8.1 — лучше оригинал

Независимые и университетские проекты

Ресурс	Что внутри	Уровень	Лицензия → можно	Ступень
MiniMind	LLM на 64M параметров. Минимальную версию (претрейн и SFT на мини-наборах данных) можно обучить с нуля примерно за 2,3 часа на одной RTX 3090. Чистый PyTorch: токенизатор, Dense и MoE, претрейн, SFT, LoRA, DPO, PPO/GRPO/CISPO, tool use и agentic RL, дистилляция, OpenAI-совместимый сервер. Есть README на английском	🟡	Apache-2.0 ✅	5.6, 6, 10 — сквозной проект
MiniMind-V	То же для модели «зрение + язык»	🟡	Apache-2.0 ✅	9.1
d2l-zh «Погружение в глубокое обучение» (Dive into Deep Learning), сайт zh.d2l.ai	Учебник Ли Му и соавторов: от линейной регрессии до BERT, с ноутбуками и видео на Bilibili. Полного русского перевода нет	🟢→🟡	Apache-2.0 ✅	2–4
llm-beginner «Большие модели и агенты» (Цю Сипэн, Фуданьский университет)	Книга из 17 глав и 6 задач с автопроверкой: Transformer → mini-GPT с RoPE и KV-кэшем → LoRA, SFT, DPO → RAG → ReAct-агент → coding-агент. В каждой задаче есть промпт для ИИ-ревью кода. Образец формата наших ДЗ	🟡	MIT ✅ на репозиторий; права на текст книги уточнять [?]	4–8
dive-into-llms «Большие модели своими руками» (SJTU)	11 тем со слайдами и ноутбуками: дообучение, CoT, редактирование знаний, мини-R1, водяные знаки, jailbreak, GUI-агенты, безопасность агентов, RLHF-PPO	🟡	нет лицензии 🔗	6, 8.3
Foundations-of-LLMs «Основы больших моделей» (ZJU)	Учебник: языковые модели, архитектуры, промптинг, PEFT, редактирование моделей, RAG	🟡	CC BY-NC-ND 4.0 🔗 — переводить без разрешения нельзя	справочно
«Большие языковые модели» (RUC AI Box), llmbook-zh.github.io, обзор LLMSurvey	Системная теория LLM от претрейна до агентов; обзор с огромным списком статей по темам	🔴	все права защищены, слайды прямо запрещено распространять 🔗	справочно, 5–6
«Большие языковые модели: от теории к практике» (Фуданьский университет), intro-llm.github.io	Бесплатный PDF; во 2-м издании добавлены мультимодальность, агенты и RAG	🟡	нет лицензии 🔗	справочно
nndl «Нейронные сети и глубокое обучение» (Цю Сипэн)	Классический учебник по нейросетям, 16 глав, плюс практикум	🟡	нет открытой лицензии 🔗	3
Hands-on-RL «Обучение с подкреплением своими руками» (SJTU)	Ноутбуки по RL: DQN → PPO → SAC	🟡	Apache-2.0 ✅	6.3
AI-System (Microsoft Research Asia)	Курс по системам ИИ на китайском с лабораторными	🔴	текст CC BY 4.0 ✅, код MIT ✅	5.4, 7
AISystem (ZOMI)	Чипы, компиляторы, инфраструктура LLM	🔴	Apache-2.0 ✅, код — MIT ✅	5.4, 7
llm-action	Инженерия обучения и инференса LLM	🔴	Apache-2.0 ✅	5.4, 7
paper-reading (Ли Му)	Указатель видеоразборов ключевых статей	🟡	индекс Apache-2.0 ✅, видео — только ссылка 🔗	9.2
align-anything (PKU)	Фреймворк выравнивания моделей	🔴	Apache-2.0 ✅	6.3
Lhy_Machine_Learning	Решения ДЗ курсов Ли Хунъи прошлых лет. Открывайте только после своей попытки	🟡	нет лицензии 🔗	2–3

Курсы Ли Хунъи (Hung-yi Lee, NTU)

Ли Хунъи из Национального университета Тайваня — самый популярный китайскоязычный лектор по машинному обучению. Лекции идут на YouTube и Bilibili. Домашние задания в его курсах проверяет автоматический лидерборд с порогами Simple / Medium / Strong / Boss — эту систему мы взяли для своих ДЗ. Открытой лицензии у курсов нет, поэтому мы даём только ссылки, а текстовой опорой служит конспект leedl-tutorial (см. выше).

Курс	Что внутри	Уровень	Ступень
ML 2021 Spring	Классический курс ML и DL, на нём построена «Яблочная книга»	🟢→🟡	2–4
GenAI 2024 Spring (п)	Генеративный ИИ, рассчитан на новичков	🟢	0, 4, 8
ML 2025 Spring (п)	Современный ML через LLM: ДЗ начинаются с агента и RAG, дальше Transformer, дообучение, диффузия	🟡	4–9
GenAI-ML 2025 Fall (п)	10 ДЗ, среди них: базовый RAG, защита от вредоносных инструкций, дообучение LLM, забывание при дообучении, диффузия, синтез речи	🟡	6, 8, 9
ML 2026 Spring (п)	Агенты, FlashAttention и KV-кэш, позиционные эмбеддинги, harness engineering, self-correction; HW1 — защита от prompt injection	🟡→🔴	5, 7, 8

Платформы, лагеря и индустриальные курсы

Ресурс	Что внутри	Уровень	Лицензия → можно	Ступень
InternLM Camp — практический лагерь по большим моделям InternLM (Shanghai AI Lab)	Лагерь с уровнями-«островами»: вход (Linux, Python, Git) → основы (промпты, RAG, дообучение в XTuner, оценка в OpenCompass) → продвинутый (агенты, MCP, квантование в LMDeploy, RL). Участникам дают бесплатные GPU. Наша система «островов» — оттуда	🟢→🔴	нет лицензии 🔗	0–8
Alibaba Cloud ACP	Ноутбуки: промпты, RAG с автооценкой, дистилляция, мультиагентные системы, context engineering, Agent Skills, Qwen Code. Курс бесплатный, сертификация ACA/ACP платная	🟡	Apache-2.0 ✅	8
modelscope-classroom	13 глав и 114 статей: от глубокого обучения до агентов	🟢→🟡	Apache-2.0 ✅	3–8
ms-cookbook «Фиолетовая книга ModelScope» (09.2026)	Инференс, дообучение в ms-swift, оценка в EvalScope, RAG, агенты	🟡	Apache-2.0 ✅, кроме картинок	6–8
step_into_llm (Huawei MindSpore)	Курс по LLM на фреймворке MindSpore и чипах Ascend	🟡	Apache-2.0 ✅	как пример формата
glm-cookbook (Zhipu)	Примеры работы с API моделей GLM	🟢	Apache-2.0 ✅	8.1
Baidu AI Studio, aistudio.baidu.com (п)	Бесплатные курсы, GPU-кредиты, конкурсы; всё привязано к PaddlePaddle	🟢	закрытый контент 🔗	низкий приоритет

Блоги и медиа

Ресурс	Что там	Уровень	Ступень
«Научное пространство» (kexue.fm)	Блог Су Цзяньлиня, автора RoPE: глубокие математические разборы позиционных кодировок, внимания, оптимизаторов	🔴	4.5, 5.5
Чжиху (Zhihu)	Китайский аналог Quora и Хабра: разборы статей от инженеров лабораторий	🟡	5–9
«Цзици чжи синь» (Synced), «Лянцзывэй» (QbitAI)	Новости и разборы новых моделей и статей	🟡	9.2
Bilibili	Видео курсов d2l и Ли Хунъи, разборы статей, записи лагерей	🟢	все

Все эти источники — только для чтения и ссылок 🔗.

Англоязычные источники

Университетские курсы

Курс	Что внутри	Уровень	Лицензия → можно	Ступень
Stanford CS336 «Language Modeling from Scratch»: cs336.stanford.edu (п), задания	5 заданий: BPE, трансформер и AdamW; системы (FlashAttention-2 на Triton, DDP/FSDP); законы масштабирования; данные; выравнивание (SFT и GRPO). Каждое задание — репозиторий с pytest. Лучший образец формата ДЗ	🔴	задания 1 и 2 — MIT ✅; у задания 5 файла лицензии нет 🔗; лекции — только ссылка	4–7
CS224N, web.stanford.edu/class/cs224n (п)	NLP с глубоким обучением; в открытом доступе плейлист 2024 года	🟡	🔗	4
CS25, web.stanford.edu/class/cs25 (п)	Семинар о трансформерах с приглашёнными докладчиками, без ДЗ	🟡	🔗	9.2
CS231n, cs231n.stanford.edu (п)	Компьютерное зрение; классические задания с backprop на NumPy	🟡	🔗	3
CME 295 «Transformers & LLMs», cme295.stanford.edu (п)	Сжатый обзор от токенизации до RLHF, рассуждений и агентов	🟡	🔗	4–8
MIT 6.S191, introtodeeplearning.com (п), лабораторные	Вводный курс по DL, лабораторные в Colab	🟢	код лабораторных — MIT с обязательной атрибуцией курса ✅	3
MIT Missing Semester, missing.csail.mit.edu (п), китайский перевод	Терминал, Git, редактор, отладка — то, чему обычно не учат на курсах программирования	🟢	CC BY-NC-SA 4.0 ⚠️	0.1
CMU 11-667, 2025.cmu-llms.org (п)	Курс по LLM: силлабус и слайды	🔴	не указана [?] 🔗	5–7
Berkeley Agentic AI MOOC, agenticai-learning.org/f25 (п)	Лекции, квизы, лабораторные, сертификат	🟡	🔗	8.3

Андрей Карпатый

Ресурс	Что внутри	Уровень	Лицензия → можно	Ступень
Neural Networks: Zero to Hero	8 видеолекций с кодом: micrograd, makemore (5 частей), GPT, токенизатор. Отдельное видео — «Let’s reproduce GPT-2 (124M)»	🟢→🟡	MIT ✅	3.2, 4.1, 4.2, 4.6
micrograd	Автоград размером с одну страницу кода	🟢	MIT ✅	3.2
minbpe	Минимальный BPE-токенизатор	🟡	MIT ✅	4.2
nanoGPT	Классическая минимальная GPT. Автор объявил её устаревшей и отсылает к nanochat	🟡	MIT ✅	4.6
nanochat (10.2025)	Полный конвейер: токенизатор → претрейн → SFT → RL → оценка → веб-чат. Работает на одной GPU с накоплением градиентов	🔴	MIT ✅	5.6, 10
llm.c	Обучение GPT-2 на чистом C и CUDA	🔴	MIT ✅	5.4, 7.1
microgpt (02.2026)	GPT примерно в 200 строк на чистом Python без зависимостей, со своим автоградом. Раз зависимостей нет, её можно запустить и в браузере. Опубликована как gist на GitHub	🟡	не указана [?] 🔗	4.6
autoresearch (03.2026)	Упрощённый nanochat на одну GPU, в котором агент сам ставит эксперименты: правит код, обучает 5 минут, оставляет или откатывает изменение	🔴	MIT по README (файла LICENSE нет) ✅	10
Видео «Deep Dive into LLMs like ChatGPT» и «How I use LLMs» (2025)	Первое — 3,5 часа о том, как устроены и обучаются LLM, без формул. Второе — о том, как пользоваться LLM в работе	🟢	🔗	0.0, 6.1

Репозиторий LLM101n в архиве с 08.2024, курс так и не вышел — время на него не тратьте.

Hugging Face

Ресурс	Что внутри	Уровень	Лицензия → можно	Ступень
LLM Course (сайт huggingface.co/learn/llm-course)	Гл. 1–9: transformers, datasets, tokenizers, задачи NLP. Гл. 10–12: подготовка данных в Argilla, SFT и LoRA, оценка, рассуждения и GRPO в TRL. Русский перевод — гл. 0–9 (папка `chapters/ru`)	🟡	Apache-2.0 ✅	4.2, 6
Agents Course, сайт	smolagents, LlamaIndex, LangGraph, agentic RAG; итоговый проект с автооценкой и лидербордом. Есть русский перевод (`units/ru-RU`)	🟡	Apache-2.0 ✅	8.3
smol course	Instruction tuning, preference alignment, оценка, VLM, RL, синтетические данные	🟡	Apache-2.0 ✅	6
MCP Course	Model Context Protocol, сделан вместе с Anthropic	🟡	Apache-2.0 ✅	8.3
Smol Training Playbook, huggingfacetb-smol-training-playbook.hf.space (п)	Как на самом деле шёл претрейн SmolLM3: абляции, отладка, смесь данных	🔴	не указана [?] 🔗	5.1, 5.6
Ultra-Scale Playbook, huggingface.co/spaces/nanotron/ultrascale-playbook (п)	5D-параллелизм, ZeRO, перекрытие вычислений и коммуникаций	🔴	не указана [?] 🔗	5.4

Книги, блоги и репозитории

Ресурс	Что внутри	Уровень	Лицензия → можно	Ступень
LLMs-from-scratch (Себастьян Рашка)	GPT с нуля: данные, внимание, претрейн, классификация, instruction tuning; бонусы — Qwen3, Gemma, MoE, GQA. Есть русское издание (см. ниже)	🟡	код Apache-2.0 ✅; текст книги — Manning 🔗	4.6, 6.1
reasoning-from-scratch (Рашка)	Своя маленькая рассуждающая модель поверх готовой базовой: те же приёмы, что в DeepSeek-R1, в учебном масштабе	🔴	код Apache-2.0 ✅; книга — Manning 🔗	6.4
d2l.ai, d2l-en	Английская версия «Dive into Deep Learning»	🟢→🟡	текст CC BY-SA 4.0 ♻️, код — MIT без требования атрибуции ✅	2–4
RLHF Book (Nathan Lambert), репозиторий	Главное по пост-обучению: предпочтения, reward-модели, PPO, DPO, RL с проверяемыми наградами; бесплатно онлайн	🔴	главы CC BY-NC-SA 4.0 ⚠️, код MIT ✅	6.3–6.4
Chip Huyen «AI Engineering»	Продакшн на LLM: оценка, RAG, агенты, инференс, мониторинг. Есть русское издание	🟡	книга платная 🔗	7–8
mlabonne/llm-course	Дорожная карта LLM-инженера и ноутбуки Colab	🟡	Apache-2.0 ✅	4–8
labml.ai — аннотированные реализации, код	Больше 60 реализаций статей с построчными пояснениями	🟡→🔴	MIT ✅	4–6
claude-cookbooks	Tool use, RAG, субагенты, оценка, кэширование промптов	🟡	MIT ✅	8
Lilian Weng	Большие обзорные посты: attention, RLHF, reward hacking, агенты	🔴	🔗	4–8
Jay Alammar	«The Illustrated Transformer», «The Illustrated GPT-2» и другие визуальные объяснения; есть русские переводы	🟢	CC BY-NC-SA 4.0 ⚠️ (п)	4.3–4.5
Лена Войта, NLP Course For You	Визуальный курс NLP: эмбеддинги, seq2seq, attention, языковые модели	🟢→🟡	🔗	4.1–4.4
3Blue1Brown — нейросети	Гл. 1–7: что такое нейросеть, градиентный спуск и backprop, затем attention и трансформеры. Лучшая визуальная интуиция	🟢	🔗	1, 3, 4.4
Mathematics for Machine Learning, mml-book.github.io (п)	Линейная алгебра, анализ, вероятности для ML	🟡	PDF только для личного пользования 🔗	1
fast.ai fastbook	Практический DL «сверху вниз»	🟢	код GPL-3, текст распространять запрещено 🔗	3

Русскоязычные источники

На русском есть хорошая база по классическому ML и отдельные сильные курсы. Но нет сквозного пути «с нуля до своей LLM» с автопроверкой, нет системного материала по современному пост-обучению (GRPO, RL с проверяемыми наградами), инференсу и китайской экосистеме. Поэтому и появился этот курс.

Ресурс	Что внутри	Уровень	Лицензия → можно	Ступень
Учебник по ML от ШАД (п)	От классического ML до глубокого обучения. Главы о трансформерах и языковых моделях доходят до GPT-3, InstructGPT и LLaMA — это уровень примерно 2023 года	🟢→🟡	бесплатно, открытой лицензии нет 🔗	2–4
Хендбук по математике для анализа данных (п)	Математическая база на русском	🟢	🔗	1
Хендбук по Python (п)	Python с нуля	🟢	🔗	0.2
Курс NLP ШАД (Лена Войта и др.)	Выпуск 2025 года, 14 недель: LLM, промптинг, PEFT и RLHF, эффективность, RAG, агенты, интерпретируемость, мультимодальность. Материалы на английском	🟡→🔴	MIT ✅	4–8
Efficient DL Systems (ВШЭ и ШАД)	GPU и CUDA, mixed precision, DDP, TP/PP, чекпоинтинг	🔴	MIT ✅	5.4, 7.1
GPT Week ШАД, shad.yandex.ru/gptweek (п)	Лекции создателей YandexGPT, в том числе «Ускорение инференса LLM» (2025)	🟡	🔗	7.1
DLS МФТИ (п)	Бесплатная школа глубокого обучения, два семестра: CV, затем NLP и аудио. Осенний поток — 5.09.2026–24.01.2027	🟢→🟡	🔗	3–4
ODS.ai: NLP & LLMs, осень 2026 (п), LLM для новичков (п)	Бесплатные курсы с дедлайнами. Содержание «LLM для новичков» не проверено [?]	🟡	🔗	4–8
mlcourse.ai	Классический ML, есть русские ноутбуки	🟢→🟡	CC BY-NC-SA 4.0 ⚠️	2
Karpov.Courses, karpov.courses (п)	В основном платные курсы, есть курс по RAG и LLM-агентам; бесплатно — Python и Docker	🟡	🔗	0, 8
Переводы Hugging Face	LLM Course (гл. 0–9) и Agents Course — см. раздел «Hugging Face» выше	🟡	Apache-2.0 ✅	4, 6, 8
Хабр	Отдельные сильные статьи: «DeepSeek-R1 для чайников» (AIRI), разборы GRPO, «От RLHF к DPO». Системной серии нет	🟡	🔗	6

Книги на русском

Книга	О чём	Уровень	Ступень
Себастьян Рашка, «Строим LLM с нуля» (Питер, 2025) (п)	Перевод «Build a Large Language Model (From Scratch)»: GPT от данных до instruction tuning; код — в репозитории LLMs-from-scratch	🟡	4.6, 6.1
Чип Хьюен, «AI-инженерия» (Питер, 2026) (п)	Перевод «AI Engineering»: оценка, RAG, агенты, деплой, мониторинг	🟡	7–8
Джей Аламмар, Мартен Гроотендорст, «Большие языковые модели на практике» (2026) (п)	Перевод «Hands-On Large Language Models»: много иллюстраций, от токенов до приложений	🟢→🟡	4, 8
Ян Гудфеллоу, Иошуа Бенджио, Аарон Курвилль, «Глубокое обучение» (ДМК Пресс)	Перевод классического учебника «Deep Learning» (MIT Press, 2016): математика и основы нейросетей	🟡→🔴	1–3
Сергей Николенко, Артур Кадурин, Екатерина Архангельская, «Глубокое обучение. Погружение в мир нейронных сетей» (Питер, 2018)	Русский оригинал: от основ до CNN, RNN и генеративных моделей	🟡	3–4

Полного русского перевода d2l на октябрь 2026 года нет: есть только небольшой любительский репозиторий.

Ключевые статьи

Статьи на arXiv открыты для чтения. В уроках мы их пересказываем своими словами и ставим ссылку. Начинайте с аннотации, введения и рисунков, а к формулам возвращайтесь после соответствующего урока. Управляемое чтение двух главных китайских статей — в уроках «Читаем техотчёт DeepSeek-V3» и «Читаем статью DeepSeek-R1», а ключевые идеи Kimi, Qwen, GLM и MiniMax разобраны в уроке «Kimi, Qwen, GLM, MiniMax».

Фундамент: статьи, без которых не понять остальные

Статья	Год	Главная идея	Уровень	Ступень
Efficient Estimation of Word Representations (word2vec)	2013	Слова как векторы, обученные по контексту	🟢	4.3
Neural Machine Translation by Jointly Learning to Align and Translate	2014	Первый механизм внимания в seq2seq (Bahdanau и др.)	🟡	4.4
Adam и AdamW	2014, 2017	Адаптивный шаг оптимизатора и правильный weight decay	🟡	1.4
Deep Residual Learning (ResNet)	2015	Остаточные связи; авторы из Microsoft Research Asia, Пекин	🟡	3.4
Proximal Policy Optimization (PPO)	2017	Устойчивый policy gradient с клиппингом	🔴	6.3
Attention Is All You Need	2017	Трансформер	🟡	4.4–4.5
BERT	2018	Encoder-only претрейн с маскированием	🟡	4.5
Root Mean Square Layer Normalization	2019	RMSNorm — нормализация в современных LLM	🟡	3.4, 4.5
ZeRO	2019	Шардирование состояний оптимизатора, градиентов и весов	🔴	5.4
Fast Transformer Decoding (MQA)	2019	Одна пара K и V на все головы	🟡	5.2
Scaling Laws for Neural Language Models	2020	Законы масштабирования Kaplan и др.	🟡	5.1
GLU Variants Improve Transformer	2020	SwiGLU в FFN	🟡	4.5
Language Models are Few-Shot Learners (GPT-3)	2020	Масштаб и обучение по примерам в промпте	🟢	4.1, 6.1
Retrieval-Augmented Generation	2020	Поиск по базе знаний + генерация	🟡	8.2
Switch Transformers	2021	MoE с top-1 роутингом и aux loss	🔴	5.3
RoFormer (RoPE)	2021	Вращательные позиционные эмбеддинги; первый автор — Су Цзяньлинь (Китай)	🟡	4.5
LoRA	2021	Низкоранговая добавка к весам для дообучения	🟡	6.2
Chain-of-Thought Prompting	2022	Рассуждение по шагам в промпте	🟢	8.1
Training language models to follow instructions (InstructGPT)	2022	SFT → reward-модель → PPO	🟡	6.1, 6.3
Training Compute-Optimal LLMs (Chinchilla)	2022	Около 20 токенов на параметр	🟡	5.1
FlashAttention	2022	Точное внимание без материализации матрицы n×n	🔴	7.1
ReAct	2022	Чередование рассуждений и действий — основа агентов	🟡	8.3
Fast Inference from Transformers via Speculative Decoding	2022	Черновая модель + проверка большой	🔴	7.1
LLaMA	2023	Открытая модель с RMSNorm, SwiGLU, RoPE	🟡	4.5
GQA	2023	Группы голов делят K и V	🟡	5.2
LIMA	2023	Качество SFT-данных важнее количества	🟢	6.1
QLoRA	2023	LoRA поверх 4-битной модели	🟡	6.2
Direct Preference Optimization (DPO)	2023	Обучение на предпочтениях без RL	🔴	6.3
Position Interpolation	2023	Расширение контекста сжатием позиций	🔴	5.5
YaRN	2023	Интерполяция RoPE по частотам; стандарт у Qwen и DeepSeek	🔴	5.5
PagedAttention (vLLM)	2023	KV-кэш страницами, как виртуальная память	🔴	7.1
SGLang	2023	RadixAttention и префикс-кэш	🔴	7.1
Better & Faster LLMs via Multi-token Prediction	2024	MTP от Meta — основа MTP в DeepSeek-V3	🔴	5.4
Gated Delta Networks	2024	Дельта-правило с гейтом (NVIDIA и MIT); основа гибридов Qwen	🔴	5.5

DeepSeek

Статья	Дата	Главная идея	Уровень	Ступень
DeepSeek LLM	01.2024	Первые модели 7B и 67B, свои законы масштабирования	🟡	5.1
DeepSeekMoE	01.2024	Мелкозернистые и общие (shared) эксперты	🟡	5.3
DeepSeekMath	02.2024	Первое описание GRPO	🔴	6.4
DeepSeek-V2	05.2024	MLA: KV-кэш меньше на 93%	🔴	5.2
Auxiliary-Loss-Free Load Balancing	08.2024	Балансировка экспертов смещениями без вспомогательного лосса	🔴	5.3
DeepSeek-V3	12.2024	671B/37B: FP8, MTP, DualPipe; финальный прогон ~2.79M GPU-часов H800	🔴	5, чтение
DeepSeek-R1	01.2025	RL с проверяемыми наградами, R1-Zero, дистилляция; опубликована в Nature (09.2025)	🔴	6.4, чтение
Native Sparse Attention	02.2025	Сжатые блоки + top-k блоки + окно; best paper ACL 2025	🔴	5.5
DeepSeek-OCR	10.2025	Оптическое сжатие контекста	🔴	9.1
DeepSeekMath-V2	11.2025	Самопроверка доказательств: верификатор как награда	🔴	6.4, 9.2
DeepSeek-V3.2	12.2025	DSA: lightning indexer + внимание по top-k токенам; по README DeepSelect, DSA работает и в V4	🔴	5.5
mHC	12.2025	Гиперсвязи с ограничением на многообразие	🔴	9.2
Engram	01.2026	Условная память через хешированные таблицы n-грамм	🔴	9.2
DeepSeek-V4	релиз 04.2026, техотчёт 06.2026	Гибрид внимания CSA+HCA, mHC, Muon, эксперты в FP4, on-policy distillation, контекст 1M; детали [?]	🔴	9.2

Qwen (Alibaba)

Статья	Дата	Главная идея	Уровень	Ступень
Qwen Technical Report	09.2023	Первое семейство Qwen	🟡	5
Training-Free Long-Context Scaling (DCA)	02.2024	Dual Chunk Attention — расширение контекста без дообучения	🔴	5.5
Qwen2.5	12.2024	Семейство Qwen2.5, большинство размеров под Apache-2.0	🟡	5, 6
Qwen2.5-1M	01.2025	Контекст в миллион токенов: DCA и разреженное внимание	🔴	5.5
Qwen3	05.2025	Гибридный режим мышления, strong-to-weak дистилляция	🟡	6.4
Gated Attention	05.2025	Сигмоидный гейт после внимания убирает attention sink; устный доклад NeurIPS 2025	🔴	5.5
GSPO	07.2025	Importance ratio на уровне последовательности; стабильный RL для MoE	🔴	6.4
Qwen3.8-Next	08.2026	n-граммные таблицы вне ускорителя, блоки GDN×3 + Qwen Sparse Attention	🔴	9.2

Moonshot (Kimi), Zhipu (GLM), MiniMax

Статья	Дата	Главная идея	Уровень	Ступень
Kimi k1.5	01.2025	RL с длинным CoT, приёмы long2short	🔴	6.4
Muon is Scalable (Moonlight)	02.2025	Оптимизатор Muon на большом масштабе	🔴	5.4
Kimi K2	07.2025	1T/32B, MuonClip, синтез агентных данных	🔴	5.4, 8.3
Kimi Linear	10.2025	KDA — поканальный гейт в линейном внимании	🔴	5.5
Kimi K2.5	02.2026	Мультимодальность, Agent Swarm и PARL	🔴	8.3
Attention Residuals	03.2026	Внимание по оси глубины вместо простой суммы в остаточном потоке	🔴	9.2
Kimi K3	07.2026	2.8T/104B, слои KDA и gated MLA, LatentMoE, MXFP4 QAT	🔴	9.2
GLM-4.5	08.2025	355B-A32B, агентные модели, RL-фреймворк slime	🔴	8.3
GLM-5	02.2026	744B-A40B, DSA от DeepSeek, адаптация под китайские чипы	🔴	9.2
Lightning Attention-2	01.2024	Линейное внимание с тайлингом — основа MiniMax-01	🔴	5.5
MiniMax-01	01.2025	456B, гибрид Lightning Attention и softmax-внимания	🔴	5.5
MiniMax-M1	06.2025	Алгоритм RL CISPO	🔴	6.4
MiniMax-M2 (серия)	05.2026	Возврат к полному вниманию ради агентных задач	🔴	5.5
MiniMax Sparse Attention	06.2026	Разреженное внимание M3 с фиксированным бюджетом токенов	🔴	9.2

Другие лаборатории и системы

Статья	Дата	Главная идея	Уровень	Ступень
Yi (01.AI)	03.2024	Открытые модели Yi	🟡	5
LlamaFactory	03.2024	Единый фреймворк дообучения 100+ моделей	🟡	6.2
OpenRLHF	05.2024	Масштабируемый RLHF на Ray и vLLM	🔴	6.3
Mooncake (Moonshot)	07.2024	KV-центричный сервинг, PD-дезагрегация; best paper FAST’25	🔴	7.1
ms-swift (ModelScope)	08.2024	Фреймворк дообучения и RL	🟡	6.2
HybridFlow (verl) (ByteDance)	09.2024	Гибкий и быстрый RL-фреймворк для LLM	🔴	6.4
Hunyuan-Large (Tencent)	11.2024	Крупная открытая MoE	🔴	5.3
DAPO (ByteDance)	03.2025	Clip-higher, динамический сэмплинг, token-level loss	🔴	6.4
Seed1.5-Thinking (ByteDance)	04.2025	Рассуждающая модель и её RL	🔴	6.4
MiMo-7B (Xiaomi)	05.2025	Маленькая модель, натренированная на рассуждения	🔴	6.4
Step-3 (AFD) (StepFun)	07.2025	Разделение attention и FFN по разным GPU на инференсе	🔴	7.1
Intern-S1 (Shanghai AI Lab)	08.2025	Научная мультимодальная модель	🔴	9.1
LongCat-Flash (Meituan)	09.2025	Zero-computation experts — динамический объём вычислений	🔴	5.3
MiMo-V2-Flash (Xiaomi)	релиз 12.2025, статья 01.2026	Гибрид скользящего окна и глобального внимания 5:1, MOPD	🔴	5.5, 6.4

Открытая инфраструктура

Всё ниже — открытый код, почти везде под пермиссивными лицензиями (проверено по файлам LICENSE 03.10.2026). Его можно использовать, изучать и цитировать с указанием авторов. Помните: лицензия кода не равна лицензии весов модели, которую вы запускаете этим кодом.

Инференс и сервинг

Проект	Что делает	Уровень	Лицензия	Ступень
vLLM	Сервер инференса из UC Berkeley: PagedAttention, непрерывный батчинг. Среди контрибьюторов много китайских компаний, но их долю никто не измерял [?]	🟡	Apache-2.0 ✅	7.1
SGLang	Сервер инференса LMSYS: RadixAttention, префикс-кэш; поддержка DeepSeek, Qwen и GLM в день релиза	🟡	Apache-2.0 ✅	7.1
LMDeploy	Инференс и квантование от Shanghai AI Lab	🟡	Apache-2.0 ✅	7.1–7.2
llama.cpp	Инференс на CPU и GPU, формат GGUF	🟢	MIT ✅	7.2
Ollama	Локальный запуск моделей одной командой, OpenAI-совместимый API	🟢	MIT ✅	7.2, 8.1
KTransformers	Гибрид CPU и GPU для больших MoE-моделей	🔴	Apache-2.0 ✅	7.2
Mooncake	KV-центричная PD-дезагрегация (платформа Kimi)	🔴	Apache-2.0 ✅ (файл LICENSE-APACHE)	7.1
nano-vllm	Лёгкая реализация vLLM с нуля примерно в 1200 строк Python: префикс-кэш, тензорный параллелизм, CUDA graph	🟡	MIT ✅	7.1

Дообучение

Проект	Что делает	Уровень	Лицензия	Ступень
LLaMA-Factory	Дообучение 100+ моделей через конфиг или WebUI: SFT, LoRA, QLoRA, DPO; документация на китайском	🟢→🟡	Apache-2.0 ✅	6.2
ms-swift	Дообучение и RL от ModelScope: SFT, DPO, GRPO, мультимодальные модели	🟡	Apache-2.0 ✅	6.2, 6.4
XTuner	Дообучение от Shanghai AI Lab	🟡	Apache-2.0 ✅	6.2
PEFT	LoRA и другие адаптеры для transformers	🟡	Apache-2.0 ✅	6.2
TRL	SFT, DPO, GRPO на базе transformers	🟡	Apache-2.0 ✅	6.1–6.4
Unsloth	Быстрое и экономное по памяти LoRA-дообучение на одной GPU	🟡	ядро Apache-2.0 ✅; интерфейс Unsloth Studio — AGPL-3.0	6.2

RL для LLM

Проект	Что делает	Уровень	Лицензия	Ступень
verl	RL-фреймворк ByteDance: PPO, GRPO, DAPO, GSPO; работает и на Ascend	🔴	Apache-2.0 ✅	6.4
OpenRLHF	RLHF на Ray и vLLM	🔴	Apache-2.0 ✅	6.3–6.4
slime	Megatron + SGLang, асинхронный RL; на нём обучались GLM-4.5 и GLM-5	🔴	Apache-2.0 ✅	8.3
AReaL	Асинхронный RL от Ant Group	🔴	Apache-2.0 ✅	6.4
ROLL	RL-фреймворк Alibaba	🔴	Apache-2.0 ✅	6.4
EasyR1	Компактный RL-фреймворк на основе verl	🔴	Apache-2.0 ✅	6.4

Обучение, ядра и коммуникации

Проект	Что делает	Уровень	Лицензия	Ступень
DeepSeek Open Source Week (02.2025)	Указатель открытой инфраструктуры DeepSeek	🔴	CC0 ✅	5.4, 7.1
FlashMLA	Ядра MLA для инференса	🔴	MIT ✅	5.2, 7.1
DeepEP	Коммуникации all-to-all для expert parallelism	🔴	MIT ✅	5.4
DeepGEMM	Умножение матриц в FP8	🔴	MIT ✅	5.4
DualPipe	Двунаправленный конвейерный параллелизм	🔴	MIT ✅	5.4
EPLB	Балансировщик нагрузки экспертов	🔴	MIT ✅	5.3
3FS, smallpond	Распределённая файловая система и обработка данных	🔴	MIT ✅	5.1
DeepSelect, TileKernels, DeepGEMM-Ascend, DeepJIT (2026)	Top-k ядра для DSA и сэмплера; десятки ядер на TileLang (роутинг MoE, Engram, mHC, квантование); GEMM для Huawei Ascend; JIT-компиляция ядер для CUDA и Ascend	🔴	MIT ✅	5.5, 9.2
TileLang	Язык для написания GPU-ядер	🔴	MIT ✅	7.1
flash-linear-attention	Ядра и модели линейного внимания (GDN, KDA и др.) — лучший учебный полигон	🔴	MIT ✅	5.5
FlashKDA, FlashQLA, MSA	Ядра внимания: KDA от Kimi, линейное внимание GDN от Qwen, разреженное внимание MiniMax	🔴	MIT ✅	5.5
checkpoint-engine	Быстрое обновление весов в движках инференса (нужно для RL)	🔴	MIT ✅	6.4
Megatron-LM	Тензорный и конвейерный параллелизм от NVIDIA	🔴	BSD-3-Clause ✅; отдельные файлы — под своими лицензиями (см. LICENSE)	5.4
DeepSpeed	ZeRO и распределённое обучение	🔴	Apache-2.0 ✅	5.4
nanotron	Минималистичный 3D-параллелизм; код к Ultra-Scale Playbook	🔴	Apache-2.0 ✅	5.4

Оценка, агенты, RAG, токенизаторы

Проект	Что делает	Уровень	Лицензия	Ступень
OpenCompass	Платформа оценки LLM от Shanghai AI Lab	🟡	Apache-2.0 ✅	7.3
EvalScope	Оценка моделей от ModelScope	🟡	Apache-2.0 ✅	7.3
lm-evaluation-harness	Стандартный набор бенчмарков	🟡	MIT ✅	7.3
Qwen-Agent	Фреймворк агентов на Qwen: tool calling, MCP, RAG	🟡	Apache-2.0 ✅	8.3
qwen-code	Агент для программирования в терминале	🟡	Apache-2.0 ✅	8.3
FlagEmbedding (BGE)	Эмбеддинг-модели и реранкеры BAAI (Пекин)	🟡	MIT ✅	8.2
tiktoken, tokenizers	Быстрые токенизаторы OpenAI и Hugging Face	🟡	MIT ✅, Apache-2.0 ✅	4.2
transformers	Главная библиотека моделей	🟡	Apache-2.0 ✅	6–7

Хабы моделей

Hugging Face (huggingface.co) — главный мировой хаб моделей и датасетов. По отчёту Hugging Face за весну 2026 года, на китайские модели пришлось около 41% скачиваний за год.
ModelScope (modelscope.cn) — китайский хаб от Alibaba, библиотека modelscope под Apache-2.0. Там же лежат почти все китайские открытые модели.

Подробнее о том, почему китайские лаборатории открывают веса, — в уроке «Стратегия открытых весов».

Как пользоваться лицензиями

Три режима использования чужих материалов

Так с источниками работает курс, и так же стоит работать вам, когда вы публикуете что-то своё.

Режим	Когда	Что делаем
Перевод и адаптация	Лицензия разрешает производные работы: MIT, Apache-2.0, CC BY, CC BY-SA, CC BY-NC-SA	Переводим, сокращаем, дополняем. Указываем автора, ссылку и лицензию. Если в лицензии есть «SA», наш текст наследует её
Пересказ и ссылка	Лицензии нет, она запрещает производные (ND), или это видео и лекции	Пишем собственное объяснение темы и ставим ссылку на оригинал: «смотреть лекцию 3, 12:40–25:00»
Только ссылка	Платные курсы и закрытые материалы	Ссылка и короткая аннотация, без копирования

Шпаргалка по лицензиям

Лицензия	Переводить и адаптировать	Коммерческое использование	Что обязательно	Примеры
MIT, Apache-2.0	да	да	Сохранить копирайт и текст лицензии; для Apache — ещё файл NOTICE и отметку об изменениях	MiniMind, d2l-zh, self-llm, vLLM
CC BY 4.0	да	да	Автор, ссылка, отметка об изменениях	тексты llm-algo-leetcode и AI-System
CC BY-SA 4.0	да	да	То же плюс производная работа под той же лицензией	текст d2l.ai, уроки ChinaAI
CC BY-NC-SA 4.0	да	нет	То же плюс только некоммерческое использование	почти весь Datawhale, главы RLHF Book, mlcourse.ai
CC BY-NC-ND 4.0	нет без письменного разрешения	нет	Делиться можно только копией без изменений, с указанием автора; в курсе — ссылка и пересказ	учебник ZJU Foundations-of-LLMs
Лицензии нет	нет	нет	Только ссылка и пересказ своими словами	курсы Ли Хунъи, dive-into-llms, InternLM Tutorial, llm-universe

Пять правил, которые легко забыть

Отсутствие лицензии — не разрешение. Код и текст без лицензии по умолчанию защищены авторским правом.
Текст и код часто лицензированы по-разному. У llm-algo-leetcode текст под CC BY 4.0, а код под Apache-2.0; у RLHF Book главы под CC BY-NC-SA, а код под MIT. Атрибуцию ведите по каждому файлу.
Перевод чужого курса наследует права оригинала. llm-cookbook переводит курсы DeepLearning.AI, diy-llm адаптирует CS336, leedl-tutorial конспектирует лекции Ли Хунъи, llms-from-scratch-cn переводит книгу Рашки, math-for-ai — книгу MML. Прежде чем брать такой материал, проверьте права первоисточника.
Веса моделей лицензируются отдельно от кода и туториалов. Первый релиз DeepSeek-V3 вышел под собственной DeepSeek License, а R1 — под MIT. Kimi K2 — «модифицированная MIT»: продукт, у которого больше 100 млн активных пользователей в месяц или больше 20 млн долл. выручки в месяц, должен показывать в интерфейсе «Kimi K2». У Kimi K3 условия строже: компании, которая продаёт доступ к моделям через API и зарабатывает больше 20 млн долл. за 12 месяцев, нужен отдельный договор с Moonshot. У MiniMax-01 тоже отдельная лицензия на модель. Для личной учёбы всё это неважно, но перед продуктом читайте карточку модели на Hugging Face или ModelScope.
Видео и лекции — только ссылками, лучше с таймкодами.

Как это видно в уроках курса

В шапке каждого урока есть список sources: оригиналы, их лицензии и режим использования — translate (перевод), adapt (адаптация), paraphrase (пересказ) или link (только ссылка).
Собственные тексты уроков выходят под CC BY-SA 4.0. Если урок адаптирует материал под CC BY-NC-SA (например, Datawhale), он выходит под CC BY-NC-SA 4.0 — это указано в поле license урока. На октябрь 2026 года таких уроков нет: книги Datawhale и RLHF Book мы пересказываем своими словами и даём ссылки.
Код заданий, тестов и компонентов сайта — MIT; код, производный от Apache-2.0, остаётся под Apache-2.0.