示例笔记 / 机器学习
Attention Is All You Need
Transformer 用注意力机制替代循环结构，让序列建模能够充分并行。更深远的变化，是它把关系建模变成了可以持续堆叠与扩展的通用计算单元。
持续更新的个人研究档案
把读过的论文，变成能用的方法。
这里记录论文阅读、技术实验与工程复盘。每篇笔记都尽量说清楚：它解决了什么、为什么有效，以及怎样真正用起来。
阅读记录
论文笔记
不复述摘要，重点整理核心假设、方法依据、证据强弱，以及它对实际工作的启发。
LoRA：低成本微调背后的低秩假设
大模型 / 方法拆解从参数增量的结构出发，理解为什么少量可训练参数也能有效改变模型行为。
RAG 的起点：把外部知识带进生成模型
检索增强 / 论文脉络梳理检索器、生成器和端到端训练之间的关系，以及它们对实际系统的影响。
从准确率之外看模型是否真正可靠
模型评测 / 指标选择把校准、稳健性和分布外表现放在一起，重新理解“模型效果好”的含义。
实践记录
技术方法
记录可以复现的实现路径、踩坑过程和设计选择，让一次解决问题的经历成为下一次的起点。
为 RAG 系统建立可执行的评测闭环
从数据集、检索指标、回答质量到失败样本分析。
让一次实验成为可重复的机器学习项目
把配置、数据版本、指标和产物放进同一条可追踪链路。
把长论文拆成可检索的知识单元
兼顾理解、记录和后续复用的一套个人阅读工作流。
关于本站
理解，然后验证。
我关注人工智能、软件工程，以及如何把复杂概念解释清楚。
写作是检验理解的一种方式。这个网站会持续收录论文阅读笔记、技术实践与阶段性思考，也会保留观点变化的过程。
当前内容用于展示网站结构。接下来会逐步替换成真实的论文笔记、技术文章、署名与联系方式。