セバスティアン・ラシュカは2026年10月までに、全8回・総時間約11時間の動画コース『Build Your Own Reasoning Model: A Full Video Course』を正式に公開しました。同コースには、Manning／Amazonから発売される書籍『Build a Reasoning Model (From Scratch)』も付属しています。本コースでは、ゼロから基礎的な言語モデルを訓練するのではなく、オープンソースの小型モデルQwen3-0.6Bを出発点として、特定の能力強化パラダイムである「推論モデル」の技術実装に焦点を当てています。具体的には、評価、推論時の拡張（サンプリング／自己整合性／スコアリング／自己洗練）、強化学習（GRPO＋RLVR）、および知識蒸留の4つの主要なモジュールを網羅しています。
第6章から第8章は、トレーニング技術の核心を構成します。第6章では、ログ記録とチェックポイント保存を備えた完全なトレーニングループを構築し、安定性とGPUメモリ使用量を実測します。第7章では、RLVRによるトレーニングの監視を深く掘り下げ、エントロピー、アドバンテージ値、カットオフ比、KL損失項、フォーマット化された報酬などの指標が収束挙動や潜在的な報酬不正リスクにどのように影響するかを体系的に分析します。第8章では、DeepSeek R1に基づいて生成された解答を用い、MATH-500データセット上でソフト蒸留およびハード蒸留の全工程を完了します。これには、教師モデルの応答のフィルタリング、監督微調整、そして蒸留後の評価が含まれます。すべての実験において、「検証可能な報酬」の設計が重視されています。数学解答の検証器は、MATH-500の自動採点ツールであると同時に、RLVRにおけるスパースな報酬信号源としても直接機能します。
本コースでは、「推論モデル」（論理力および数学力を高めるためのLLMのコア部分）と「エージェントフレームワーク」（コンテキストの編成とツールの呼び出しを担うもの）を明確に区別しています。前提条件はPythonとPyTorchの基礎のみで、GPUは一部の学習工程での推奨に留まり、全行程で必須ではありません。著者は、本シリーズが自身の前作『Build A Large Language Model (From Scratch)』の論理的な続編であると明言していますが、内容は一貫しており、独立して学習可能です。また、すべてのコードおよび結論は教育用のデモとしての性質を有し、産業レベルの実装を示唆したり、第三者による監査・検証を経たものであるとは一切主張していません。「現在の主流のLLMはほとんどが推論モデルである」という記述は、著者の見解であり、検証可能な事実ではありません。さらに、著者は同時に、本コースの内容更新は2026年10月以降一時停止され、次期のLLMに関する研究記事は2026年11月より順次公開される予定であることを明らかにしています。