1. 自我介绍2. 训练一个 decoder-only 大模型时，为什么 embedding 层和 lm head 常常共享权重权重共享本质上是一种参数高效和统计一致性的设计。输入端 embedding 学到的是“token 到向量空间”的映射，输出端 lm head 学到的是“隐藏状态到词表概率”的映射，如果这两个空间本身就在描述同一个词表语义，那么共享权重可以减少冗余参数，并让输入语义空间与输出判别空间保持一致。从优化角度看，共享权重还能起到轻微正则化作用，尤其在词表非常大时更明显。代价是模型表达自由度下降了一点，但对大多数语言模型来说这个损失远小于收益。很多实现里会保留一个独立 bias...

我觉得我经历很丰富啊，为什么在西安只有7k😭

大佬们看看，有没有什么还要修改的地方，第一个项目做的是黑马点评，加了一个rabbitMQ，第二个项目是鱼皮的API开放平台结合了一下鱼皮的大语言对话模型项目

直播间连麦遇到一位女学员声音都委屈得快哭了要做跨表数据匹配以前用 VLOOKUP 一直顺顺利利这次怎么都匹配不出来翻了无数教程视频逐字核对函数、一遍遍检查数据明明看着都没问题结果就是死活出不来她无奈又心酸地说“孩子哭闹我都知道怎么哄这破数据我是真一点办法没有”后来我帮她一看问题根本不在函数而是单元格里藏着看不见的空格和格式差异肉眼一模一样，实际天差地别几秒钟处理干净，瞬间就跑通了真的太戳心了很多时候我们不是不努力只是被那些隐形的细节绊住脚拼尽全力却看不到结果这种无力感真的太磨人选对方法、找对人点拨真的比独自死磕有用太多✨