深度网络依赖LayerNorm（RMSNorm），这创造了局部的尺度不变性（Scale Invariance），它带了独特的梯度动力学（Gradient Dynamics）。在这个独特的动力学场域中，我们关于机器学习的直觉被颠覆了，Norm的物理含义从特征强度表示变成了学习进度的旋钮，Norm理论上稳步增加，SGD自带学习率衰减，但是刹车踩的太狠导致了学习的早停，而Weight Decay从正则化项进化为有效学习率的动态调节阀。AdamW如何成为标配：Adam做到了梯度的步长恒定，有效学习率的平缓刹车；Warmup来处理训练早期的权重过小（梯度爆炸）和二阶矩估计不准的问题；AdamW修正了L2正则的问题，引入Weight Decay，把“方向更新”和“进度控制”拆成两个干净的旋钮。

为什么LayerNorm+AdamW成了深度网络的标准配置？从尺度不变性到梯度动力学 

在和很多产品、运营团队合作的过程中，我常不得不扮演那个“泼冷水”的角色，特别是当大家对推荐算法寄予厚望的时候。
听到这样的战略规划：“我们明年目标是增长 80%，推荐系统是其中的关键。”
我的观点很直接：如果你的增长战略严重依赖推荐算法，一旦算法效果不及预期，目标就直接崩盘，那么这本质上是一个糟糕的战略**。对于规模增长，推荐算法不能雪中送炭，它只能在规模之上锦上添花。

从RL比SFT更不容易遗忘到反观推荐系统缺陷

文章深度复盘了Ruby包管理器Bundler如何通过“Compact Index”设计解决RubyGems.org的扩展性危机。它详细剖析了从早期全量序列化的Marshal格式、轻量但不可扩展的`specs.4.8.gz`，到服务器计算负担过重的Bundler API等迭代方案的失败原因。Compact Index的核心创新在于设计了三个缓存友好的HTTP端点（`/names`, `/versio

AI 技术日报 - 2025-12-29

文章深入剖析了Python包管理器`uv`性能远超`pip`的核心原因，指出其成功并非简单地将Python重写为Rust，而是源于对现代依赖解析技术的应用和HTTP协议的巧妙优化。关键优化包括：利用PEP 658元数据和HTTP范围请求，在99%的情况下仅需下载包索引的极小部分（例如18KB而非40MB）；以及将90%以上的版本号打包为紧凑的u64整数，极大加速了比较和哈希操作。

AI 技术日报 - 2025-12-27

LLM深度赋能推荐范式：今日多篇论文聚焦于如何将LLM的核心能力（理解、推理、生成）深度融入推荐系统，而非仅作浅层特征提取。淘宝的ReaSeq从表征（显式推理）和样本（隐式推理）两个维度系统性打破“日志驱动”瓶颈；复旦的MMSRARec则探索了MLLM作为推荐器本体（LLM-as-Rec）的新范式，并引入检索增强（RAG）思想。这表明业界正从“LLM-for-Feature”向“LLM-for-Reasoning”和“LLM-as-Rec”演进，追求更深度的知识融合与范式创新。; 偏差校正的几何

Talent Dilution Roofline：你的算法团队可能不需要再招人了？

从精排切换成深度学习以来，工业界一直会把排序的模型结构研究切分成基本的两部分，序列处理和特征交叉，甚至有一些公司的排序组，下面都拆成两个Team分别处理行为序列和特征交叉。从最早的时候，比如序列用DIN来处理，序列就被压成了一个或多个向量表征，再参与与其他特征的交叉。我们可以理解成MLP(concat(DIN, Features))，发展到今天大多数的模型研究，还是分立地把MLP换成DCN，增加个LHUC，复杂化为Rank Mixer或Transformer，把DIN叠加MHA，直接换成Transformer，可以写成RankMixer(concat(Transformer, Features))。
从MLP(concat(DIN, Features))到RankMixer(concat(Transformer, Features))，本质没有变，就是序列处理和特征交叉是一个隐式的两阶段处理，序列被压缩到Vector Space才和特征发生交叉。而LLM的有趣之处，就是在Next Token Prediction利用到的交叉发生在词序列的Token Space之中，它能启发推荐排序模型的，就是每一个特征的交叉应该发生在用户序列的Token Space之中。