Stanford CS336：Language Modeling from Scratch（2026 春）

请帮我把「Stanford CS336：Language Modeling from Scratch（2026 春）」的学习环境一次准备好，让我之后只需要按顺序学习和做练习。
开始前先问我：课程放在哪个目录（等我给出完整路径），确认我的操作系统和已有工具。确认前不要创建文件或安装软件。

课程入口：https://cs336.stanford.edu/
我的系统：Linux。如果实际不符，先调整方案。
本次路线：Linux：在本机动手。只准备这条路线需要的工具；只读路线不安装运行环境、不配置模型密钥。
练习：Assignment 1 Basics、2 Systems、3 Scaling、4 Data、5 Alignment and Reasoning RL，另有可选Part 2。官方禁止用AI直接解题：开课提示词可整理材料与环境，每课提示词只用于高层概念和低层工具答疑，不代写实现或答案。
课节（官方顺序）：
1. Overview, tokenization：https://cs336.stanford.edu/lectures/?trace=lecture_01
2. PyTorch (einops), resource accounting (FLOPs, memory, arithmetic intensity)：https://cs336.stanford.edu/lectures/?trace=lecture_02
3. Architectures, hyperparameters：https://github.com/stanford-cs336/lectures/blob/main/lecture_03.pdf
4. Attention alternatives and mixture of experts：https://github.com/stanford-cs336/lectures/blob/main/lecture_04.pdf
5. GPUs, TPUs：https://github.com/stanford-cs336/lectures/blob/main/lecture_05.pdf
6. Kernels, Triton：https://cs336.stanford.edu/lectures/?trace=lecture_06
7. Parallelism：https://cs336.stanford.edu/lectures/?trace=lecture_07
8. Parallelism：https://github.com/stanford-cs336/lectures/blob/main/lecture_08.pdf
9. Scaling laws：https://github.com/stanford-cs336/lectures/blob/main/lecture_09.pdf
10. Inference：https://cs336.stanford.edu/lectures/?trace=lecture_10
11. Scaling laws：https://github.com/stanford-cs336/lectures/blob/main/lecture_11.pdf
12. Evaluation：https://cs336.stanford.edu/lectures/?trace=lecture_12
13. Data (sources, datasets)：https://cs336.stanford.edu/lectures/?trace=lecture_13
14. Data (filtering, deduplication, mixing, synthetic data)：https://cs336.stanford.edu/lectures/?trace=lecture_14
15. Mid/post-training (SFT/RLHF)：https://github.com/stanford-cs336/lectures/blob/main/lecture_15.pdf
16. Post-training - RLVR：https://github.com/stanford-cs336/lectures/blob/main/lecture_16.pdf
17. Alignment - multimodality：https://cs336.stanford.edu/lectures/?trace=lecture_17
18. Guest lecture: Daniel Selsam：https://cs336.stanford.edu/
19. Guest lecture: Dan Fu：https://cs336.stanford.edu/

1. 环境
- 官方Assignment 1锁文件包含Linux CUDA依赖；先检查下载量、磁盘空间与硬件，不承诺默认同步是轻量CPU安装。按官方README同步，不给uv sync添加未经支持的--torch-backend参数。本次未完成PyTorch导入，GPU训练也未验证。
- 补充实测：Windows Python3.12.14/PyTorch2.14.1 CPU可执行张量小样例；当前Assignment1要求torch~=2.11.0，不把共享新版本环境当作课程锁定环境通过。
- 按各assignment README与锁文件创建uv环境；先完成CPU小样例。
- 再核对nvidia-smi、CUDA/PyTorch兼容及作业显存需求，获预算授权后运行训练。
- 安装前先列出要装的软件和命令，等我同意；已装好的直接复用。
2. 材料
- 官方课程表、材料与作业入口：只记录链接 https://cs336.stanford.edu/（未核实开放复制许可；只保存官方链接，不批量下载或再分发。）
- 官方 assignment1-basics：git clone --depth 1 https://github.com/stanford-cs336/assignment1-basics 到 official/assignment1-basics/（许可：MIT）；仅此仓库代码许可；数据、模型权重和论文许可单独核对。；本次准备个人学习副本，转载或发布修改版另按上述许可条件处理。
- 官方 assignment2-systems：git clone --depth 1 https://github.com/stanford-cs336/assignment2-systems 到 official/assignment2-systems/（许可：MIT）；仅此仓库代码许可；数据、模型权重和论文许可单独核对。；本次准备个人学习副本，转载或发布修改版另按上述许可条件处理。
- 官方 assignment3-scaling：git clone --depth 1 https://github.com/stanford-cs336/assignment3-scaling 到 official/assignment3-scaling/（许可：MIT）；仅此仓库代码许可；数据、模型权重和论文许可单独核对。；本次准备个人学习副本，转载或发布修改版另按上述许可条件处理。
- 官方 assignment4-data：git clone --depth 1 https://github.com/stanford-cs336/assignment4-data 到 official/assignment4-data/（许可：MIT）；仅此仓库代码许可；数据、模型权重和论文许可单独核对。；本次准备个人学习副本，转载或发布修改版另按上述许可条件处理。
- 官方Assignment 5：只记录链接 https://github.com/stanford-cs336/assignment5-alignment（未核实开放复制许可；只保存官方链接，不批量下载或再分发。）
3. 目录（最外层放在我确认的位置）
stanford-cs336-spring2026/
├── README.md        # 课程入口、课节清单、每次怎么开始
├── progress.md      # 每课：读讲义 / 做练习 / 记笔记
├── questions.md     # 待解决的问题
├── check-env.sh     # 环境自检，按 README 操作
├── official/assignment1-basics/ # 官方材料
├── official/assignment2-systems/ # 官方材料
├── official/assignment3-scaling/ # 官方材料
├── official/assignment4-data/ # 官方材料
├── data/            # 练习用到的样例数据
└── lessons/         # 每课一个文件夹：notes.md + exercises/
    ├── 01-lesson-01/
    ├── 02-lesson-02/
    ├── 03-lesson-03/
    ├── 04-lesson-04/
    ├── 05-lesson-05/
    ├── 06-lesson-06/
    ├── 07-lesson-07/
    ├── 08-lesson-08/
    ├── 09-lesson-09/
    ├── 10-lesson-10/
    ├── 11-lesson-11/
    ├── 12-lesson-12/
    ├── 13-lesson-13/
    ├── 14-lesson-14/
    ├── 15-lesson-15/
    ├── 16-lesson-16/
    ├── 17-lesson-17/
    ├── 18-lesson-18/
    └── 19-lesson-19/
- 每课文件夹里建 notes.md（顶部写本课官方链接）和 exercises/；课节文件夹名称与上面一致。
- 已有课程目录先检查并复用；不覆盖笔记、作业或 progress.md，不重置已有进度。尚未发布的课节保留入口并注明未发布，不能代写讲义或虚构练习。
4. 自检
- 创建 check-env.sh，逐项检查并记录“通过/未通过”：
- 在课程根目录运行；每项检查独立执行，进入子目录不能影响下一项。使用当前系统的终端运行。
  - uv --version  → 显示uv版本。
  - 人工检查：在Assignment 1环境执行 uv run python -c "import torch; print(torch.__version__); print(torch.ones(2)+1)"  → 输出PyTorch版本和tensor([2., 2.])；不启动训练、不调用Scaling API。
- 标注为人工检查、浏览器操作或 notebook 单元的项目，按相应方式操作，不直接粘贴进 shell；脚本只包含当前系统可执行的命令。
- 仅在当前路线需要、对应材料已获准保存、工具已安装时运行该项；需要登录、付费或尚未开放的材料记为“需要我操作/未验证”，不能伪报通过。不执行会调用付费 API、提交作业或修改云服务的检查。
- 运行一次，把结果给我看；未通过的项目说明原因和修复办法。
5. 学习计划
- README.md：课程入口、课节清单（带链接）、每次学习怎么开始（使用“每课提示词”）。
- progress.md：每课三项勾选——读讲义、做练习、记笔记。
6. 最后分三部分汇报：已完成、需要我自己操作的、尚未验证的。

边界：
- 需要管理员权限、会产生费用或需要填写密钥的操作，先告诉我原因，等我同意。密钥由我在本机配置，不发到聊天，不写进笔记或版本库；原项目需要 .env 时确认已被 Git 忽略。
- 不替我写练习或作业答案，也不替我提交。我卡住时只给提示；我明确要求时才给解答。
- 只下载许可允许个人保存的材料；其余只放链接。不把未运行的命令说成成功。
如果你不能直接操作我的文件系统，请在确认目录后给出适用于我的系统、可直接执行的命令和需要保存的文件内容。