闭源模型吃不到你的私有仓库。从随机函数改代码、写成说明、再复现，用行级重合软核对，不必跑测试。监督微调就能把小模型压到教师在该库上的水平，数据够…

大模型里极少数隐藏维幅度极大，整段压成八位整数会被挤成零。按向量做缩放，把离群维拆出去用高精度乘，其余再量化。小于约六十七亿参数的经验不能外推。

同样四位，浮点格子对深度学习数值更友好。整数四位零样本更差。八位也一样：全换成低精度会不稳，少数维留高精度才能站住。选类型要比位数，不准只报压缩…

彩票式剪枝要从稠密反复剪再训，贵。随机稀疏初始化，按动量幅度砍小权重、按层重要性重分、在动量大的位置生长，一次训练就能到稠密精度。没有稀疏卷积内…

深度网络最贵的是矩阵乘和搬数。没有张量核的卡不建议买。先看显存够不够放下模型和批次，再看带宽，最后才看峰值。八位浮点能翻倍装载，但旧卡按十六位优…

大模型又慢又粗，不适合安全关键的实时控车。让它按训练目标改写驾驶代码，在数据集上计分、重排、再改。离线模仿会抄上一时刻速度，必须在线滚动并聚合专…

路过只看见一侧时，神经渲染常把背面糊掉。对称平面要从数据里学，当软约束把信息搬到未见侧。反照率可对称，方向光和反光必须不对称。硬对称会抹掉备胎和…

专家轨迹能教障碍和目标，但新环境还要自己建图。价值迭代若不管动作是否可行，会死磕死胡同。把运动模型和动作可用性拆开，障碍格不能传价值。只报已知地…

没有三维真值、没有多视图、没有关键点，也能把一张图拆成深度、反照率、视点和光照。用可能对称当第二视图，阴影不对称由打光解释。实例从不完美对称，要…

分类目标本身就能预训练，缺的是标签。用随机网络先引导一批标签，再和特征共用交叉熵，并让各类大致均分。另起聚类损失容易退化。标签要能迁移到检测分割…