Le nom de Stoica figure sur les articles fondateurs de Spark (traitement distribué de données), Ray (Python distribué pour les charges de travail ML), et sur la pile plus large que vLLM utilise pour servir efficacement les modèles de langage — des artefacts devenus le substrat de fait du ML industriel. Le motif est constant : concevoir un système autour des goulets d'étranglement computationnels réels auxquels font face chercheurs et ingénieurs, le livrer en open-source avec une entreprise commerciale en parallèle, et laisser l'écosystème éprouver les choix de conception. Pour ai100, qui exécute des centaines d'audits sur plusieurs moteurs LLM, le versant infrastructure bâti par le groupe de Stoica n'est pas un arrière-plan — c'est la couche qui détermine s'il est seulement faisable de mener une comparaison de modèles à grande échelle.

À lire lorsque
vous voulez comprendre les contraintes d'infrastructure qui façonnent ce que l'évaluation des LLM à grande échelle peut réellement faire, au-delà du cadrage méthodologique.
Thèmes
systèmes et infrastructure ML distribués (Spark, Ray, vLLM); économie et ingénierie du service de modèles à grande échelle; modèle open-source plus entreprise commerciale dans l'infrastructure ML.
Travaux clés
Apache Spark (2010, co-créateur); cadre distribué Ray (2018, co-responsable); contributions à la pile de service efficace vLLM (2023, en cours).