周六下午和爱人一起去了天目里，散步、聊天、看风景、喝茉酸奶、吃烧鸟、去鸟屋书店读书、去饸饹面馆吃面。这是我们第二次去这里了，主要是那家面馆的面很符合我们口味，但也不能打车过去就吃个面，所以每次都要看一两个小时书。这本书就是这天我读的两本书之一，还剩最后一章没读完，我觉得问题不大，得赶紧把读过的记下来。
基础和取舍
没想到居然一年多没写这样思考性的文字了，ChatGPT后遗症有点大。去年底换工作再加上孩子出生，生活一下子变得异常充实了起来。家庭和育儿方面成长很多，从一开始的没耐心，到逐步理解包容、感同身受（无论对爱人还是孩子），一年不到时间改变了非常多。工作方面也取得了一些成果，强度和深度比此前所有工作都高了一个级别，虽然很忙，但非常开心。比较不满意的是过于忙碌导致没时间夯实基础，总感觉自己比较浮。正好国庆假期，重新整理一下思路。
MIO
Tiny LLM Continual Pre-training：RHO-1
LLM打街霸
国外的一个项目，看了一下比较简单，于是也拿过来玩儿一下。由于原项目没支持中文，就简单支持了一下，顺便简单地重构了一下代码。
- 代码地址（Fork）：https://github.com/hscspring/llm-colosseum
- 项目原地址：https://github.com/OpenGenerativeAI/llm-colosseum
LLM中的演绎推理、归纳推理和溯因推理
LLM极简科普
编者按：本文内容来自Datawhale《AI第一课》，目标是向普通大众传播AI相关知识。本文是第一稿，太过于偏技术，因此需要重新修改打磨。不过从有编程背景读者的角度看我觉得内容尚可，特记录在此。同时也是便于后面对比最终内容和最初内容的差别，提升自己科普内容创作方面的技巧。
简介
本节主要介绍LLM（Large Language Model，大语言模型）的基础科普。大纲如下：
- 计算机如何识别文字：Token化+词嵌入（Tokenize+Embedding）
- 大模型如何学习（训练）：下个词预测（Next Token Prediction，NTP）
- 大模型如何理解文本：多层多头注意力（Multi-Layer+Multi-Head Self-Attention，MHA）
- 大模型如何处理任务：上下文学习或情境学习（In-Context Learning）
- 大模型如何生成回复：推理（Inference）
本文涉及到上面提到的重要概念时，会以中文表述，括号内的是对应的英文表达。
Programming Language Environment Cheat Sheet
编程语言环境相关备忘（我只想复制粘贴）。
LLM Tiny Pretrain：H2O-Danube and Stable LM
StableLM 一直致力于小模型（从7B、3B 到 1.6B），不过 License 商用有些限制，H2O-Danube 是 Apache2.0 的小模型（1.8B），整体指标略逊于 StableLM。本文通过这两篇 Paper，记录小模型的预训练。