硅基之瞳

从循环到递归，重新梳理算法复杂度分析的基本思路：怎么数执行次数，怎么把求和化成渐进复杂度，又怎么从递推关系看出算法的增长规律。一篇写给自己的 CSC5001 入门笔记。

本文是一份强化学习基础梳理。先交代 Agent 与 Environment 的交互，把 reward 折成 return；再用状态价值与动作价值，加上 Monte Carlo 和 TD 两条估计路线，说明"策略好不好"该怎么衡量；最后是值方法与策略方法这两条主线，从 SARSA 一路讲到 PPO 与 SAC，再落到 model-based RL 与模仿学习。

轻译是作者自研的 Windows 桌面端 + Zotero 插件组合，解决一个具体需求：在 Zotero 10 的 PDF阅读模式里划选文本、右键即可调用自配的 LLM API 完成翻译。文章按三步介绍了安装使用流程（配置桌面端、安装启用连接器插件、划词翻译），并强调工具定位——极简、轻量、快捷，专注覆盖读英文论文时最常见的翻译场景。

文章积累四十多篇后，图片一直存在 Halo 本地存储，占服务器资源、耦合严重。本文记录改用阿里云 ESA + OSS 搭建图床的过程：为什么选 ESA，以及建 Bucket、ESA 回源联动、批量迁移历史图片URL 的具体操作，最终让文章与服务器彻底解耦。

跟随 Karpathy 的 nanoGPT 教程，用 PyTorch 从零实现了一个字符级 decoder-only Transformer 语言模型，在莎士比亚数据集上训练出约 5.47M 参数的小模型。文章沿数据流梳理了 token 化、Embedding、位置编码、多头注意力、LayerNorm、FFN 等核心结构，并记录了训练配置与 loss 曲线。最终模型虽远不及现代 LLM，但已能输出拼写正确、颇具"莎士比亚风味"的文本——核心是理解了 GPT 的基本工作机制。

复盘 Warframe 紫卡助手 Riven Analyst 的系统架构，并聊聊我在开发中对用户、Harness、旧工具边界和从 0 到 1 的思考。

本文是 Karpathy makemore 课程 Bigram 模型的复现笔记，分别用计数矩阵和单层神经网络两种方式实现字符级语言模型。

自注意力是 Transformer 架构的核心组件。它使模型在处理序列中的某个词时，不是孤立地编码该词，而是同时考察同一序列中所有其他词，计算它们与该词之间的相关性权重。本文从单个 token 的视角入手，再逐步展开为矩阵形式，依次推导 Q、K、V 的线性投影过程、缩放点积注意力的计算方式，以及多头注意力的拼接与融合机制。

从 AI 生成视频到 YOLO 能用的 COCO 数据集，中间隔着一整条工程管线。这篇文章记录了搭建过程：本地 Qwen3-VL做预标注，逐帧缓存保证任务可恢复，人工审核后再导出标准格式。

上篇文章用即梦验证了视频生成模型合成长尾数据的可行性，但商业 API 成本高、数据要上传。这篇文章记录了在 RTX 4090工作站上本地部署 Wan2.2-TI2V-5B 开源图生视频模型的过程。围绕模型搭了一个工具（FastAPI +React），支持对话式单次生成和批量排队合成，生成后自动抽帧。