训练大模型为什么不用来回评审：梯度下降找到的是什么解
人解决问题要出方案、评审、再改，来回好多轮，新方案也未必最好；大模型训练却好像只管顺着梯度往下走，就走到了一个不错的解。顺着这个疑问往下追：训练里谁在评审，为什么每一步都不保证变好却还是越来越好，为什么不容易卡在半路，继续训能不能让每个参数都最优，以及人的那些来回评审最后去了哪里。
把经历过的，连成记忆。
这是我的记忆构建平台，你也能搭一个。
最新文章
压缩算法简史：从莫尔斯电码到 zstd
把本站文章交给几代压缩器，1996 年的 bzip2 压得比 2016 年的 zstd 还小，1992 年的 gzip 至今仍是网页的默认格式。顺着这个现象往回找：莫尔斯为什么给 E 一个点，Huffman 怎样把“按频率分配码长”做到最优，LZ77 怎样把重复的片段换成一个指针，专利怎样逼出了 gzip 和 PNG，算术编码和上下文模型怎样把“压缩”变成“预测”，BWT 为什么先排序再压，zstd 和 Brotli 又为什么在压缩率之外去追速度；最后看有损压缩扔掉了什么，以及压缩的尽头在哪里。
指数时间假说被推翻了吗：两篇 AI 论文里的 3-SAT 新算法
2026 年 10 月底，OpenAI 和 Anthropic 先后放出论文，说各自的模型证明了指数时间假说（ETH）是错的。我们从一道聚会邀请的逻辑题讲起：SAT 是什么，怎么比较算法快慢，P、NP 和 NP 完全是什么，几十年的努力为什么只能改底数，ETH 又断言了什么；再核对新闻里哪些属实、哪些被夸大；然后顺着证明往下走：老的分而治之为什么只能改常数，一个两百年前的八平方恒等式怎么用正负相消减少要对上的比特，递归又怎么把指数压到零；最后看 OpenAI 的另一条路，以及这件事改变了什么、没改变什么。
GitHub PR 合并前的关卡：先想清楚要保证什么
PR 的合并框里有检查、评审、落后主干、冲突、部署等各种提示，哪些真能拦住合并？实测发现只有 draft 和冲突永远生效，其余都要被分支规则点名才拦。于是换个问法：合并前想保证什么？改动本身没坏、合进去以后也没坏、该看的人看过、上线可控，每种保证各需要开什么、要付出什么代价，最后按场景给出选型。
去哪找好用的 SVG：资源实测，以及怎么给 AI 画图当参照
本站的配图是让 AI 写 SVG 画的，画得好不好，取决于给它看什么参照。为了找好的参照，顺着这些问题往下追：SVG 资源分哪几类，“免费”背后有哪几种许可、哪些不让拿给 AI，各家插画站的风格和文件质量差在哪，23 套图标库为什么有的能跟着文字变色、有的不能，聚合站里的许可为什么要逐个看，SVG 放进页面之前要处理什么；最后拿一张鲁迅像实际走一遍：AI 为什么凭空画不像，复杂的参照去哪搜，搜不到 SVG 时怎么从公有领域照片描出底稿再让 AI 重画，以及教 AI 自己去搜的 prompt。