About

边学边写,把过程留下来。

我在系统性地学习大模型:从课程作业、训练框架源码到面试与求职,把整个过程原样写成笔记。

Base 上海
Mode 长文 · 系列 · 源码精读
Bias 证据优先
Online GitHub / keepkeen

基于 Astro 与 Markdown 构建,数学公式用 KaTeX。设计偏好节制、留白与清晰。

Profile

这些笔记是怎么来的。

这里的文章多数很长:课程作业的逐篇复盘、verl 与 slime 这类训练框架的源码精读、以证据为准的面经账本。长,是因为想把"为什么"讲完整。

我希望它读起来更像一本编辑过的笔记,而不是内容输出:成系列、可检索、有出处。

如果这些笔记恰好帮你省下了一些摸索的时间,那就是它最好的用处。

Right now

  • 精读 verl 与 slime 的训练主链路源码。
  • 逐篇完成并复盘 Stanford CS336 的课程作业。
  • 维护大模型算法岗的求职笔记与题库。

What I value

  • 证据优先,注明出处。
  • 长文成系列,不做碎片输出。
  • 源码为准,不转述二手结论。
  • 写给未来的自己,也写给同路人。

Trajectory

几条长期主线。

现在

大模型算法与训练系统

CS336 课程实录、RLHF 训练框架源码精读,以及围绕它们的工程笔记。

进行中

大模型算法岗求职笔记

面经证据账本、笔试作战手册与 30 天执行计划。

一直

把学习过程写下来

公开写作是最诚实的复盘方式:写不清楚,就是还没学会。

Notes

当下的问题清单。

Current questions

  1. 训练框架的设计取舍,怎样讲给第一次读源码的人听?
  2. 大模型岗位的面试信号里,哪些经得起证据核对?
  3. 课程作业与真实工程之间,缺的那一层到底是什么?

Colophon

基于 Astro 与 Markdown 构建,数学公式用 KaTeX。设计偏好节制、留白与清晰。