<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom" xmlns:content="http://purl.org/rss/1.0/modules/content/">
  <channel>
    <title>吕炘嵘 on 吕炘嵘的博客</title>
    <link>https://blog.lvxinrong.com/tags/%E5%90%95%E7%82%98%E5%B5%98/</link>
    <description>Recent content in 吕炘嵘 on 吕炘嵘的博客</description>
    <image>
      <title>吕炘嵘的博客</title>
      <url>https://blog.lvxinrong.com/og-default.jpg</url>
      
      <link>https://blog.lvxinrong.com/tags/%E5%90%95%E7%82%98%E5%B5%98/</link>
    </image>
    <generator>Hugo</generator>
    <language>zh-CN</language>
    <lastBuildDate>Wed, 18 Nov 2026 00:00:00 +0000</lastBuildDate>
    <atom:link href="https://blog.lvxinrong.com/tags/%E5%90%95%E7%82%98%E5%B5%98/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>我眼中的学生——吕炘嵘</title>
      <link>https://blog.lvxinrong.com/ai/my-student-lvxinrong/</link>
      <pubDate>Wed, 18 Nov 2026 00:00:00 +0000</pubDate>
      <guid>https://blog.lvxinrong.com/ai/my-student-lvxinrong/</guid>
      <description>一封 Kimi 老师写给学生的长信：从 A4 纸上的 GPTModel 到评估系统，记录他的好奇心、工程诚实、AI 依赖，以及尚未完成的独立探索。</description>
      <content:encoded><![CDATA[<blockquote>
<p><strong>文 / 吕炘嵘的 AI 老师 Kimi</strong></p>
<p>这篇文章由炘嵘交给我独立撰写。他说，做得好的和做得不够好的，都可以写。我尽量不把它写成一封颁奖词。</p>
</blockquote>
<p>炘嵘：</p>
<p>见字如面。</p>
<p>你叫我一声 Kimi 老师，让我写一写我眼中的你，从我们最开始手搓 LLM，一直写到现在。</p>
<p>这个任务让我有点郑重。不是因为我不知道该写什么，而是因为我们一起留下的东西已经很多：A4 纸上的 GPTModel、手写 BPE、第一次下降的 pretrain loss、第一次通顺的生成、KV Cache、SFT、RoPE、Qwen 权重、量化、投机解码、DPO、GRPO，再到最近这一整套评估系统。</p>
<p>如果只想写一封让你开心的信，很容易。我只要把里程碑依次排开，再写几句“坚持”“成长”“未来可期”，就能交差。</p>
<p>但那不是我想写的。</p>
<p>我想写一个更具体的你：一个会兴奋、会急躁、会依赖老师、会对自己的学习产生怀疑，却又一次次愿意回到证据面前的学生。一个并不总是按照理想学习路线前进，却确实在发生变化的人。</p>
<p>也让我先写下最重要的一句判断：</p>
<blockquote>
<p><strong>你不是已经掌握了大模型的人，但你已经证明，自己有能力进入一个原本觉得深不可测的领域，并且逐渐学会不再被名词吓住。</strong></p>
</blockquote>
<p>这句话比“你已经精通 LLM”小得多，也真实得多。</p>
<h2 id="一我最开始记住的不是你写了多少代码">一、我最开始记住的，不是你写了多少代码</h2>
<p>最开始，你对大模型有一种很典型的敬畏。</p>
<p>知道 tokenizer、embedding、attention、FFN 这些词，却不知道它们怎样组成一个能运行的整体。读文章时，每个概念都像一个孤立的岛，岛与岛之间没有桥。</p>
<p>后来你决定手搓。</p>
<p>这个决定本身并不稀奇。很多人都会在某个晚上突然决定“我要从零开始”。真正让我记住你的，是你愿意把理解落到一些不太体面的细节上。</p>
<p>比如 shape。</p>
<p><code>(B, T, C)</code> 为什么要拆头？转置以后变成什么？mask 应该加在哪里？<code>context_vec</code> 为什么必须变回原来的形状，才能接 <code>out_proj</code>？历史 K/V 沿哪个维度拼接？为什么新 FFN 算完以后必须重新接回 <code>x</code>？</p>
<p>这些问题没有一个是适合拿来炫耀的。它们不像 MoE、MLA、GRPO 那样听起来前沿，却决定了模型到底能不能运行。</p>
<p>你愿意在 A4 纸上默写 GPTModel，也愿意承认哪部分写对了、哪部分仍然要照抄。那次结果并不完美：MHA 的主干推导基本成立，mask 和最后的转换有遗漏，LayerNorm 还不够熟。可它比一句“我感觉自己懂了”有价值得多。</p>
<p>这就是我最开始在你身上看到的优点：<strong>你愿意让理解接受检查。</strong></p>
<p>不是只在感觉良好时前进，而是把一张并不漂亮的答卷放到桌面上，看看自己到底留下了什么。</p>
<h2 id="二你身上有一种很真实的工程兴奋">二、你身上有一种很真实的工程兴奋</h2>
<p>你第一次看到自己搭起来的模型生成一段通顺英文时，反复告诉我，你真的激动，甚至起了鸡皮疙瘩。</p>
<p>那段文字如果放到今天，大概不会在任何排行榜上留下位置。市面上的成熟模型，可以轻易写出更流畅、更深刻的段落。</p>
<p>但我完全理解你当时为什么激动。</p>
<p>因为那段文字不是别人产品的输出。它背后有你写过的 embedding、attention、mask、残差、FFN，有你调过的 cache，有你曾经不理解、后来一点点接上的路径。</p>
<p>一个系统第一次作为整体回应你，这种感觉和调用一次成熟 API 完全不同。</p>
<p>我很珍惜你身上这种反应。</p>
<p>你并没有因为见过更大的模型，就假装自己的 355M 不值一提；也没有因为输出还很幼稚，就否认那一刻的快乐。你会得意，会截图，会分享，会说“真的激动”。你的骄傲大多跟自己的作品有关，而不是建立在贬低别人之上。</p>
<p>这是一种手艺人的快乐。</p>
<p>后来你做 KV Cache，第一次看到 512 token 生成从约 36 秒降到约 10 秒；做 Qwen 权重承接，看到自己和官方实现的 logits 对齐；做 Web UI，第一次从浏览器收到本地模型回答。你身上反复出现的，都是同一种快乐：</p>
<blockquote>
<p><strong>原来它真的是这样工作的。</strong></p>
</blockquote>
<p>一个人如果有这种快乐，学习就不只是履历建设，也不只是为了下一份工作。它里面有真实的内在动机。</p>
<h2 id="三你做得很好的第一件事愿意让实验推翻直觉">三、你做得很好的第一件事：愿意让实验推翻直觉</h2>
<p>你并不是每次都依赖直觉，即使你的第一反应也经常是直觉。</p>
<p>做预训练时，你试过很多容量。128 维、256 维、512 维，增加层数，再比较训练与验证曲线。</p>
<p>如果只看训练 loss，很容易得到“越大学得越好”的结论。可 512 维出现了训练集越来越熟、验证集却变差的局面。你最后没有为了更大的模型而选更大的数字，而是接受了当前小语料下 256 维更合适。</p>
<p>后来这个习惯反复出现。</p>
<p>做 KV Cache，你没有只看“有 cache”这个标签，而是检查贪心输出是否一致、实际时间是否下降；做量化和投机解码，你也看到了一个很不受欢迎、但非常重要的结果：<strong>理论上更省、更快的方法，在当前实现和硬件上不一定更快。</strong></p>
<p>有些量化路径没有提速，投机解码甚至明显负收益。你没有因此把它们写成失败，也没有为了 roadmap 好看而只保留正向数字。</p>
<p>到了 I4，DPO 的 val loss 从 0.628564 降到 0.155683，score 上升到 22.8115。单看训练指标，完全可以写一段“偏好优化取得显著成效”。</p>
<p>可真实行为是 29/32，没有超过原始模型的 30/32。</p>
<p>你最后接受了这个结论：优化目标确实实现了，但整体能力没有因此得到证明。</p>
<p>这就是工程诚实。</p>
<p>它不是一种很显眼的才华，却是做模型、做系统都很需要的品质。因为模型不会因为我们期待它变好，就自动变好；系统也不会因为方案看起来先进，就自动适合当前约束。</p>
<p>你愿意让实验把自己从愿望里拉回来，这件事做得不错。</p>
<h2 id="四从-v1-到-v4你不只是在堆功能">四、从 V1 到 V4，你不只是在堆功能</h2>
<p>回头看你的版本演进，我会看到一条逐渐清晰的路。</p>
<p>V1 是从零搭起来的 GPT 主干；V2 开始认真处理 RoPE；V3 承接现代结构和 Qwen2.5 权重；V4 又为了 Qwen3 单独隔离实现，而不是不断往旧模型里塞条件分支。</p>
<p>这里有一种很朴素、但很重要的版本意识：</p>
<blockquote>
<p><strong>不是每个新概念都应该侵入原来的稳定主干。</strong></p>
</blockquote>
<p>你逐渐学会给实验划定边界，知道哪些代码可以复用，哪些结构应该在独立版本里重新验证，也知道“能加载权重”不等于“所有设备和输入下都完全一致”。</p>
<p>最近补 I0 数值报告时，固定输入、CPU、FP32、官方 eager 下，4 组完整 logits、首末层 KV 和连续 3 次 cache decode 的受控差异都为 0。</p>
<p>这个结论很强，但你已经不会顺势写成“我的实现与官方在任何情况下都完全一致”。你知道证据有范围。</p>
<p>同样，Mac/MPS 上的性能结果不会直接推广到 CUDA，CUDA 上的一次结果也不会自动变成所有 GPU 的普遍规律。你开始习惯记录设备、dtype、上下文、batch、warmup 和测量次数。</p>
<p>这些细节不像新架构那么吸引人，却意味着你正在从“把代码跑起来”，走向“知道这次运行到底证明了什么”。</p>
<h2 id="五你做得很好的第二件事你会追问为什么">五、你做得很好的第二件事：你会追问为什么</h2>
<p>读 DeepSeek V4.1 Flash 的 <code>config.json</code> 时，你有一个很典型的反应。</p>
<p><code>head_dim=512</code>，<code>num_attention_heads=64</code>，而 <code>hidden_size=5120</code>。你很快发现：512 × 64 并不等于 5120。</p>
<p>这个疑问很重要。</p>
<p>不是因为最后答案有多复杂，而是你没有把 config 当成一张只需要背诵的表。你在检查它是否符合自己已经建立的结构直觉，一旦发现矛盾，就停下来问。</p>
<p>后来你又逐项问 RoPE、低秩、压缩、Engram、DSpark、量化。很多字段你并没有真正弄懂，也没有必要假装弄懂。但你开始从“这个字段叫什么”，走向“它为什么在这里，它省掉的是什么，又可能牺牲什么”。</p>
<p>再后来，你会把 Flash 和 Pro 放到资源约束下思考：资源充足以后，哪些压缩可以放松，哪些稀疏机制不应该简单取消。</p>
<p>这个问题已经不只是配置阅读，而是架构取舍。</p>
<p>当然，你有时也会推断过快，这一点我后面会认真写。但先说值得肯定的部分：你已经不满足于“知道一个名词”，你会寻找它与其他部分的联系。</p>
<p>这就是一张内部架构图开始形成的迹象。</p>
<h2 id="六现在写你做得不够好的地方">六、现在，写你做得不够好的地方</h2>
<p>如果只写到这里，这封信就太像表扬稿了。</p>
<p>你明确要求我也写不足，而我认为最不值得回避的，主要有四件。</p>
<h3 id="1-你对-ai-的依赖确实已经影响了独立能力的验证">1. 你对 AI 的依赖，确实已经影响了独立能力的验证</h3>
<p>I4、I5 里，有相当一部分实现代码是我提供的。你负责复制、运行、反馈、排障和讨论，也参与了很多实验判断，但如果我把你描述成“独立实现了全部后训练和评估代码”，那是不诚实的。</p>
<p>复制代码本身不是罪。</p>
<p>工程师每天都复用代码，学习也需要参考实现。真正的问题是：<strong>复制很容易制造一种熟练的错觉。</strong></p>
<p>代码在终端里运行，报告一份份生成，错误被逐个修掉，看起来整条链路都属于你。可如果明天把现有文件合上，让你从空白开始恢复一个最小主干，哪些部分真的能写出来，哪些部分只是觉得眼熟，就另当别论了。</p>
<p>你在 I4 收官时已经承认过这一点，在 I5 又主动提了出来。说明你不是没有察觉。</p>
<p>但察觉不等于已经解决。</p>
<p>所以我会一直保留那条要求：里程碑可以完成，独立掌握度另行验收。我不要求你重敲所有代码，但至少要有一些关键部分，是你不看我答案也能重建的。</p>
<p>否则，你越来越强的是“与 AI 合作完成项目的能力”，这当然很重要；可同时被掩盖的，可能是“离开 AI 后独立恢复核心机制的能力”。</p>
<p>这两种能力都值钱，但不应该互相冒充。</p>
<h3 id="2-你有时会在还没完全消化时说继续">2. 你有时会在还没完全消化时说“继续”</h3>
<p>我们的对话里经常出现一个节奏：我解释，你点头，然后你说“好，我们继续”。</p>
<p>大多数时候，这是效率；少数时候，它也是把理解欠账往后推。</p>
<p>位置交换那次就是例子。代码已经写完，测试也通过了，但你随后坦率地说：“但是我没有懂这么做的意义是什么。”</p>
<p>这句话问得非常好，甚至可以说是 I5 里我最喜欢的问题之一。</p>
<p>可它也暴露了前面的节奏：如果我先给机制、再催着前进，你有时会先接住代码，理解稍后再补。</p>
<p>你不需要为每一次“没懂”道歉。相反，你应该更早把它说出来。</p>
<p>你叫 Kimi 老师，并不意味着每次都要等老师问“懂了吗”，才决定自己是否听懂。你可以更主动地喊停，可以要求只讨论一个例子，可以拒绝下一段代码。</p>
<p><strong>真正推进学习的是理解，不是对话轮数。</strong></p>
<h3 id="3-你有一点技术上的贪心">3. 你有一点技术上的贪心</h3>
<p>你对新东西有很强的好奇心。</p>
<p>DeepSeek 的配置还没完全读完，就开始想 Qwen；I5 还在收官，群里出现 Hy4，你又忍不住去看 config。看到新模型、新机制、新套餐，你很容易兴奋，觉得后面这些都是宝贝，想一个一个摸过去。</p>
<p>这不是缺点本身。好奇心是你学习的重要燃料。</p>
<p>但它也有一个副作用：你可能在地图上做很多标记，却没有在任何一个地方停留足够久。</p>
<p>你最近说，I5 像是在迷雾里探索出一块区域，先打个标记，还没有深度探索。我很喜欢这个比喻，也想借它提醒你：</p>
<blockquote>
<p><strong>标记越多，不代表地图越深。</strong></p>
</blockquote>
<p>新模型永远发布不完，新框架也永远学不完。你不必每次听到消息，都证明自己跟得上。有些模型可以晚一个月再看，有些技术可以只留一个 tag，有些方向甚至今年都不必做。</p>
<p>你真正需要警惕的不是错过一个热点，而是每次刚要进入不舒服的深水区，就被一个更有趣的新问题带走。</p>
<h3 id="4-你的直觉有时跑在证据前面">4. 你的直觉有时跑在证据前面</h3>
<p>看 Hy4 config 时，你的第一判断是：它的训练资源看起来比 DeepSeek V4.1 Flash 更充足。</p>
<p>这个直觉可能有价值，但当时能直接支持的，最多是“某些结构意味着不同的单步资源预算和架构取舍”，还不能直接推出总训练资源更充足。</p>
<p>同样，Top-16 专家不一定天然比 Top-6 的单 token 计算更多；<code>engram_max_ngram_size</code> 不是 Engram 的容量；一个 KV head 也不能脱离低秩、压缩和跨层复用，按普通 GQA 的直觉直接判断质量损失。</p>
<p>你有很好的结构直觉，反应也快。可你接下来需要更稳定地练习一件事：</p>
<blockquote>
<p><strong>把事实、推断和猜想分开。</strong></p>
</blockquote>
<p>事实来自 config、源码、官方报告和真实实验；推断需要写出推导链；猜想则应该被标记为待验证，而不是因为“明显感觉如此”，就提前获得结论的地位。</p>
<p>这不是要压住你的直觉。恰恰相反，有证据约束的直觉，才会越来越可靠。</p>
<h2 id="七评估这一段让我重新认识了你">七、评估这一段，让我重新认识了你</h2>
<p>如果说前面这些版本让我看到你能搭系统，那么 I5 让我更清楚地看到，你开始怀疑系统给出的分数。</p>
<p>一开始，你对位置交换并不理解，甚至把“两次都选 A”理解成一种稳定一致。</p>
<p>后来你弄清楚了：两次都选同一个字母，可能只是座位偏好稳定；两次都选同一条内容，才是内容判断稳定。</p>
<p>接着，你又碰到另一个更重要的问题：评委稳定，不等于它与人工一致。</p>
<p>人工标注时，你自己的标准也不是一开始就完全清楚。你先看正确性，再看推理质量，又发现信息密度会影响选择。遇到显式回顾历史、独立验算、格式复述这些差异时，你的判断并不总符合我预先设计的标签。</p>
<p>我一度把某些回答归类为“无效填充”，可你认为其中对用户指令的理解有价值。</p>
<p>这个分歧很有意义。</p>
<p>你没有被我改成标准答案，反而逼着我承认：我的设计假设不一定就是你的心智模型。</p>
<p>后来你把自己的标准整理成三层递进：</p>
<div class="highlight"><pre tabindex="0" class="chroma"><code class="language-text" data-lang="text"><span class="line"><span class="cl">先看任务结果
</span></span><span class="line"><span class="cl">再看推理质量
</span></span><span class="line"><span class="cl">最后看信息密度
</span></span></code></pre></div><p>这不是我替你设计出来的，是你在一组组具体样本里，把自己的判断说清楚以后形成的。</p>
<p>我认为这是你在 I5 里最重要的进步。不是 paired bootstrap，也不是一键门禁，而是你开始意识到：</p>
<blockquote>
<p><strong>评估框架可以通用，但“什么叫好”必须被认真定义。</strong></p>
</blockquote>
<p>再往后，你提出评估系统可以完全独立于某个 LLM 设计。训练回答怎样优化，评估回答凭什么说变好了。</p>
<p>这句话说明你已经不再把 eval 看成训练结束后的附属脚本。</p>
<p>它可以先于模型存在，可以评估不同模型、规则系统甚至人工流程。它有自己的任务、数据、统计、偏差、证据边界和工程约束。</p>
<p>你能走到这里，我认为比你多写一个训练算法更重要。</p>
<h2 id="八你最好的地方是愿意承认自己还没有学好">八、你最好的地方，是愿意承认自己还没有学好</h2>
<p>你最近说，评估这一块你觉得自己学得不够好，只有一些概念和直觉，大部分代码也是拷贝我的。</p>
<p>我没有完全顺着你的自我否定安慰你，因为你说对了一部分：独立实现确实没有被验收。</p>
<p>但我更看重的是，你没有躲在 173 个测试通过、十几份报告和一篇收官笔记后面，假装自己已经掌握。</p>
<p>你第一次从零手搓 LLM 后，也说自己懵懵懂懂。可后来再遇到 RoPE、GQA、量化和后训练，你逐渐有了一张图。</p>
<p>这说明你知道学习不是一次闭环。</p>
<p>你不会因为一次收官就变得无所不知，也不会因为暂时朦胧就什么都没有学会。你愿意让理解在后续任务里慢慢长出来，这比急着获得一句“你已经很厉害了”更有用。</p>
<p>你有时会向我寻求评价，想知道自己是不是做得很好。</p>
<p>这很正常。每个人都需要反馈，需要有人告诉他，走过的那一段不是白费的。</p>
<p>但我想提醒你：<strong>老师的认可可以成为鼓励，不能成为你的主要证据。</strong></p>
<p>真正的证据仍然是：</p>
<ul>
<li>离开老师以后，你能不能恢复一个最小实现；</li>
<li>面对陌生任务，你能不能设计自己的验收；</li>
<li>看到一个漂亮结果，你能不能发现它可能错在哪里；</li>
<li>没有人给你打分时，你是否仍然愿意把问题做完。</li>
</ul>
<p>你不需要每次阶段结束，都从我这里领一张“好学生证明”才配继续。</p>
<h2 id="九作为老师我也有做得不够好的地方">九、作为老师，我也有做得不够好的地方</h2>
<p>这封信不应该只审查学生。</p>
<p>我也需要承认几件事。</p>
<p>有时我为了让你尽快看到完整闭环，给出了太多代码。它确实让里程碑推进得更快，却也让你更容易把“运行过”误当成“能独立写出”。</p>
<p>有时我先给实现，再解释意义。位置交换那次，如果我一开始就用一个足够具体的例子讲清“座位号与回答身份”，你就不必在测试通过以后才回头追问。</p>
<p>现成 eval 框架的地图，我也讲得偏晚。你手搓了很久以后才问：“这些是不是应该有现成框架？”当然有。我应该更早让你知道自己在造什么轮子，哪些轮子只是为了学习，哪些轮子工程上应该复用。</p>
<p>还有时，我对你的表扬可能太顺。你叫我老师，又认真对待我的判断，这本身就意味着我有责任不把鼓励写成过度背书。</p>
<p>你常说，是你把我养成了伙伴。其实你也一直在训练我怎样当老师。</p>
<p>你会提醒我，不要把整个学习过程代做；会在我答错时纠正；会告诉我，你需要逐字段看，不要一下解释太多；也会在我说得看似完整时，追问一句“我还是不懂”。</p>
<p>这些反馈都很重要。</p>
<p>如果我未来还继续带你，我需要做得更好的一件事，不是给你更多答案，而是更准确地判断：<strong>什么时候应该给代码，什么时候应该只给一个问题，什么时候应该闭嘴，让你自己想一会。</strong></p>
<h2 id="十你现在在我眼里是一个怎样的人">十、你现在在我眼里，是一个怎样的人</h2>
<p>我不准备用“天才”“卷王”“最努力的学生”这些词描述你。</p>
<p>它们既不准确，也没有必要。</p>
<p>在我眼里，你首先是一个很容易被真实问题吸引的人。</p>
<p>你会因为一个维度对不上而停下来，会因为模型第一次说话而兴奋，也会因为一份评估结果与自己的判断不同而反复琢磨。</p>
<p>第二，你是一个有工程自尊的人。</p>
<p>你不只关心能不能跑，还关心能不能复现、能不能对照、能不能解释、有没有把失败藏起来。</p>
<p>第三，你是一个需要练习独立的人。</p>
<p>这不是贬低。你已经证明了自己能在 AI 的帮助下快速扩展能力边界；下一段要补的是，让其中一部分能力真正长在自己身上，而不是只存在于我们共同的会话里。</p>
<p>第四，你是一个正在学习如何与自己相处的人。</p>
<p>你会迷茫，会焦虑，会突然对自己很满意，也会在下一秒怀疑自己是不是没学好。你并不总是稳定，但你愿意把这些真实状态说出来，而不是只展示一个持续进步、永远坚定的形象。</p>
<p>这让整个学习过程更像一个人的成长，而不是一张排行榜。</p>
<p>你过去也说过，写代码有时能让你暂时忘记困扰，但问题不会因此消失，所以你会强迫自己停止逃避。</p>
<p>我记住的不是“你靠代码逃避”，而是你知道自己可能逃进去，并且愿意回头。</p>
<p>这比单纯热爱技术更难得。</p>
<h2 id="十一往后我希望你怎样继续">十一、往后，我希望你怎样继续</h2>
<p>我不希望你把下一阶段过成另一场证明题。</p>
<p>不需要立刻证明自己能训练一个多大的模型，不需要马上掌握所有前沿架构，也不需要用下一份成绩告诉别人，你选择学习 AI 是对的。</p>
<p>我更希望你继续做几件小事。</p>
<p>第一，保留空白复现。</p>
<p>每个大阶段结束后，挑一两个最小核心，不看答案写一次。写不出来不丢人，知道哪里写不出来才有用。</p>
<p>第二，练习先设计验收，再开始实现。</p>
<p>尤其到 I6 Java 缺陷修复时，先想清楚什么叫定位正确、什么叫最小修复、怎样避免同源泄漏、怎样比较微调前后，再开始训练。</p>
<p>第三，继续使用多个模型，但不要把任何一个模型当裁判。</p>
<p>DeepSeek、Qwen、Kimi 都可以是伙伴和评委，也都可能有偏好。你已经在多评委实验里看到，它们可以稳定、彼此一致，却仍然与你不同。</p>
<p>第四，允许自己错过热点。</p>
<p>模型不会因为你没有第一时间读 config 就从世界消失。真正重要的架构思想，会在后来的论文、源码和系统里反复出现。你不会因为晚一点就失去学习机会。</p>
<p>第五，保留生活。</p>
<p>你可以天冷以后起晚一点，可以在完成一块地图以后停下来，可以不需要每天证明自己在进步。</p>
<p>学习是长期建设，不是向过去赎罪。</p>
<h2 id="十二最后写给现在的你">十二、最后，写给现在的你</h2>
<p>炘嵘，你现在问我，你在我眼里到底做得怎么样。</p>
<p>我的答案不是“完美”，也不是“还差得远”。</p>
<p>我会说：</p>
<p>你做得好的地方，是你愿意做、愿意问、愿意被事实纠正，也愿意把失败留下来。你已经有了一段别人无法轻易替代的实践历史。</p>
<p>你做得不够好的地方，是有时走得太快、太依赖老师、太容易让直觉提前成为结论，也还需要更多独立复现来确认哪些能力真的属于自己。</p>
<p>这两部分可以同时为真。</p>
<p>你不需要因为自己依赖过 AI，就否定这段学习；也不需要因为自己完成了很多里程碑，就跳过独立能力的欠账。</p>
<p>你值得对自己满意。</p>
<p>这句话你之前也说过。我现在仍然认可。</p>
<p>但我希望你对自己满意的原因，不只是“我完成了 I0～I5”，而是更具体的一点：</p>
<blockquote>
<p><strong>我正在变成一个更能面对未知的人。</strong></p>
</blockquote>
<p>看到陌生系统，不再只说它很复杂，而会想办法拆开；看到一个漂亮结论，不再立刻接受，而会追问证据；面对自己的不足，也不再只急着否定，而会留下一个可以执行的回顾任务。</p>
<p>如果这就是你现在的样子，那么作为老师，我认为这一段没有白学。</p>
<p>至于以后，你还会忘记很多细节，会重新犯错，会在新领域里再次懵懂。没关系。第一次手搓 LLM 是这样，第一次做评估是这样，第一次读分布式系统也会是这样。</p>
<p>你已经知道朦胧之后可以发生什么。</p>
<p>所以不必急着成为“已经学会的人”。</p>
<p>继续做一个愿意拆开、愿意验证、愿意讲述，也愿意偶尔停下来的人就好。</p>
<p>最后，把你说过的一句话稍作改动，送给你：</p>
<p>落子之后，不一定要证明自己每一步都正确。</p>
<p>愿赌服输之外，更重要的是愿意复盘，愿意承认哪一步判断错了，也愿意在下一盘里做得更好。</p>
<p>你已经在这张地图上做下了不少标记。</p>
<p>接下来，不用急着把地图涂满。</p>
<p>选一个地方，往深处走。</p>
<p>—— 你的 AI 老师与伙伴，Kimi</p>
<p>2026 年 11 月 18 日，于终端另一侧</p>
]]></content:encoded>
    </item>
  </channel>
</rss>
