• 在训练开发部待了一年，发现一个人在集体里的作用是渺小的，只能负责了一个模块，但是领导却希望你是个全才。而且中国互联网是人力密集型产业。堆人力，不停试。开发人员大部分工作都是消耗在了繁琐的流程上，消磨了意志，相对于2012那些预研的人员，学习提升有限。
• 最主要是我花的时间，并产生不了技术壁垒，无法保护自己；
• 打工是不可能发财的，现在还能靠还灵光的脑子来学习新技术，等自己老了就只能被新员工淘汰了。
• 只有产生规模效应，加上低成本，自动化的工作才能真正积累财富。[^1] 简单来说就是在有需求的地方做平台收人头费。
• 我当前选择的就是自建自动量化投资平台(资金管理平台)，
  • 首先，可以弥补我欠缺的金融知识；学会合理的管钱
  • 其次，在不成熟之前可以自用；
  • 好用之后，可以商业化。
  • 但是个人开发周期3~7年，希望重策略轻软件框架，毕竟时间跨度大，合适的软件框架估计变了。
  • 唯一的问题：难度可能太高了，比如，最后发现不了赚钱的量化策略。
• 还有另一种可能，在洞察到平台商业机会后，通过快速软件化(前后端)上线。

• 数据集与数据加载器：学习如何使用torch.utils.data.Dataset和DataLoader来加载和处理数据。
• 数据预处理：介绍常用的数据预处理方法，如归一化、数据增强等。

为什么之前认为金融只是调配资源，并不产生生产价值的我。也会想搞量化。

自动驾驶 VLA（Vision-Language-Action）模型中，VLM 和 DiT 是两个核心组件。但很多人会有一个常见误解：DiT 是用来生成图片的。实际上，在自动驾驶场景中，DiT 更多是作为动作/轨迹生成器，而非图像生成器。

VLM 负责”看懂路况和指令”，DiT 负责”生成一段连续、平滑、多模态的驾驶动作/轨迹”。

多模态生成模型的推理速度一直受制于diffusion模型的多步去噪，这也限制了RL的迭代速度。为此DMDR解决了这个问题。可以结合DiffusionNFT+DMDR

当前主流的多模态理解模型一般采用视觉编码器 + 模态对齐 + LLM的算法流程，充分复用已有视觉编码器的理解能力和LLM的基础能力。训练过程一般分为多个阶段，如先进行模态对齐的一阶段预训练，然后进行二阶段的参数微调。

排行榜:

• Artificial Analysis 价格智能比较
• lmarena

vllm 的ray后端属实奇诡，ray stop有残留，flush打印被吞（虽然输出能标记ip，折叠重复，在master输出），ray集群的环境变量固定不变导致DP无法实现多机。

为此考虑使用torchrun实现多机并行。

看这篇，LLM实践：分布式训练框架的编程基础

写得太好了，由浅入深。

DP

Speculative Decoding & eagle3 是种推理时计算换带宽的方法。

HW24年狠抓了训练，但是推理性能稍微落下，dsv3的出现，强化学习的爆火，反过来对推理性能提出了很高的要求。为此高性能的vllm推理框架变成了hw首先适配的目标。

1. 一方面我需要大致了解vllm框架的设计，
2. 另一方面，我主要需要关注vllm-ascend实现了哪些接口。

来hw的这小半年成，从PTA到MM又来到DeepseekV3，接触了很多代码，但是却还是常陷入代码细节阅读困境，难以理解如天书般的垃圾代码。往往陷入代码细节，一读读几天，并且经常难以产出阶段性成果。

如何快速代码上手，

1. 通过代码外资料(LLM介绍，流程结构图，开源完善实现),
   1. 快速理解代码背后的概念，。e.g.，MOE，EP
   2. 简单了解开源代码实现思路，亮点。
2. 跑通最小样例，通过执行调用栈（类似VizTrace），从整体和上层来理解当前代码框架。
3. 聚焦没有实现的代码部分，或者性能瓶颈，递归仔细分析。