主要思路：高频外推，低频内插。

$$m \theta_i=m *(\text { base } * \alpha)^{-2 i / d}=m *(10000 * \alpha)^{-2 i / d}$$

以矩阵相乘的优化为例：

要实现CUDA高性能编程，就必须对GPU内存结构有深刻的了解。

简单说来，如果把显存比作一个加油站，那么:

• 显存大小就是加油机
• 显存位宽就是进出加油站路的宽度，路越宽，能进出加油站的车辆就越多
• 显存频率相当于汽车进出加油站的速度，速度越快，汽车进出就越快

转化数据延迟久，但实时反馈至关重要涉及到模型预估准度，进而影响客户成本。

Argmax是不可求导的，Gumbel Softmax允许模型能从网络层的离散分布（比如类别分布categorical distribution）中稀疏采样的这个过程变得可微，从而允许反向传播时可以用梯度更新模型参数。

LISA是LoRA的简化版，但其抓住了LoRA微调的核心，即LoRA侧重更新LLM的底层embedding和顶层head。

LLM在SFT之后会产生大量的冗余参数(delta参数)，阿里团队提出DARE方法来消除delta参数，并将其合并到PRE模型中，从而实现多源模型能力的吸收。 DARE无需GPU重新训练，其思路非常简单，就跟dropout类似： \begin{ga...

常见的多标签分类方法是同时生成多个标签的logits，然后接一个sigmoid激活函数做二分类。该方法简单直接，但忽略了标签之间的相关性。虽然业界针对该问题提出了很多解决思路，但大多是任务特定，通用性不强，也不够优雅。