Building Reasoning Models from the Ground Up: A Full — Raschka 发布 11 小时视频课，用 PyTorch 从零实现推理模型的评

• 作者把推理模型定位为 agent harness 的"引擎"：模型负责推理能力，harness 负责上下文管理与工具调用，二者分工明确。对开发者的含义是选型时先分清模型能力与工具链职责，别把上下文管理塞进模型层。
• 课程从预训练 Qwen3 0.6B 起步，先实现流式生成、KV cache 与 torch.compile，再在此基础上做评估与改进。含义是推理能力改造应建立在可复现的基线之上，先量化再优化。
• 第三个视频逐步构建数学答案验证器（答案抽取、归一化、等价判断），并用它在 MATH-500 上评估基座模型。含义是可验证奖励是强化学习训练推理模型的前置基础设施，值得单独工程化。

原文：Building Reasoning Models from the Ground Up: A Full Video Course · 作者 Sebastian Raschka