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

文章权威性地总结了2025年大型语言模型（LLM）领域的关键进展与挑战。核心亮点在于深入分析了“推理模型”的兴起，重点讨论了RLVR（强化学习与可验证奖励）和GRPO（Group Relative Policy Optimization）等新兴训练算法。作者以DeepSeek R1为例，提供了具体的数据洞察，指出其训练成本可能远低于外界预期，约为500万美元，而后训练成本约为29.4万美元。文章还

AI 技术日报 - 2025-12-31

文章深入剖析了线性注意力模型DeltaNet中为Q和K添加L2归一化的根本原因。核心解释是从特征值约束角度出发，该操作确保了转移矩阵的特征值落在(-1,1]区间内，从而防止递归计算中的数值爆炸。作者进一步提供了新颖的连续时间动力学视角，将递归过程视为微分方程的离散化，并指出数值问题源于离散化精度不足，提出了精确求解的思路。

AI 技术日报 - 2025-12-30

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

召回与精排的边界融合：今日论文显示，工业界正致力于将精排阶段成熟的复杂特征交互能力“下放”到召回阶段。腾讯广告的工作通过创新的GPU加速索引，首次在召回中成功部署了Wide&Deep思想，实现了效率与精度的双赢。这标志着系统级优化正推动召回模型从简单的双塔向更富表达力的架构演进。; 生成式与创意内容的优化闭环：推荐系统的优化对象正从“推荐什么”扩展到“如何呈现”。京东的AutoPP系统构建了从自动化生成（扩散模型）到基于CTR反馈的细粒度优化（因果归因）的完整闭环，为电商创意素材的个性化提供了新

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。