作为卖NPU AI加速卡的软件员工， 目标是将昇腾的底层算力与上层多模态应用需求精准对接，释放昇腾AI算力，让客户看到NPU的性能、性价比、易用性、客户自身业务的使用需求。

在LLM对齐的早期探索中，研究者们建立了两种影响深远的基础范式。

1. 一种是基于强化学习的PPO，它将经典的RL框架引入LLM微调，通过复杂的系统协调实现了强大的性能；
2. 另一种是DPO，它通过深刻的理论洞见，将对齐问题转化为一个更简洁的监督学习问题，显著提升了训练的稳定性和效率。

鉴于PPO-RLHF的复杂性，研究者们开始寻求更简洁、更直接的对齐方法。直接偏好优化（Direct Preference Optimization, DPO）应运而生，它巧妙地绕过了显式的奖励建模和复杂的RL优化循环，为偏好对齐提供了一个优雅的替代方案。

这篇文章介绍DPO, 和Step-Video论文介绍了Video-DPO, 这类训练中最后通过人工标注优化的方法。

必看好文[^7]

On-Policy Distillation（OPD）不是 top-k，也不等于 RL。它先让学生模型生成自己的轨迹，再让教师在学生实际到达的前缀上提供 token 分布，以减少训练与部署时的状态分布偏移。

OPD 能否生效，关键不是教师参数量是否更大，而是师生是否共享可比较的动作空间、思维模式是否兼容，以及教师是否真的提供了学生尚未掌握的知识。本文同时梳理 DeepSeek V4、Qwen3/Qwen3.5、Qwen3.5-Omni 的公开流程，以及 verl/verl-omni 的现有能力与缺口。

Step-Video论文详细介绍了AI 系统的一些构建细节。

阅读Step-Video-T2V代码（git id d3ca3d6），移植到昇腾。

平时里对未来的车和房子有些小要求，防止忘记随手记录一下。

当时我选择一线的原因是决定能最解决客户，每个工作能产生最大的价值。

通过一段时间的开发，我感觉在一线开发就像在泥潭里前进：走得越快越远，泥潭陷得越深，前进阻力越大。

困境为何而来，如何解决困境，是我想讨论的重点。

在交付PTA需求的时候，发现需求在测试人员的更大的测试规模下出现了问题：

在增多了不同的测试样例，和不同的测试设备(910A,910B,310P)时；程序是否可执行，性能是否达标，精度是不是正常；都有待监控。

说明在开发过程中，我构建个人的每日测试框架，持续监控开发的测试和性能。

集成 windmill-labs / windmill。

作为一个AI初学者，总是遇到以下场景：

1. 客户正在基于NV开发一个AI模型，需要同步的做昇腾适配。手上只有NV下的代码。
2. 往往很难将论文里的AI模型的图，和代码里的每一层以及参数对应起来。

设计期望：

1. 在模型开发的过程中，能简单插入，来明确当前模块的大致信息。
   1. 名称，类型(卷积层，池化层)，输入/输出/参数, 执行的时间(第一次)。
2. 可视化
3. 格式兼容cpprinter。
4. 能体现出TP，CP等并行策略的效果。

大致思路：

• 还是借助chrome://tracing格式，来设计类似PyPrinter的工具。
• 早期可以使用VizTracer代替。

变量和函数的命名一直是程序员最头疼的事，好的命名应该简洁且自注释，同时还要注意冲突、和相似命名的歧义。

本文将从以下几个方面展开：

1. 驼峰型 、下划线型
2. 命名示例