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...

像这种简历是不是直接要被扔进垃圾桶啊。看了别人的简历再看自己的感觉完蛋了。求大佬们不吝赐教😭😭😭

先给所有想入门AI的同学一个最清醒的核心结论：2026年的AI行业，已经过了“泛AI红利期”，入门的第一步，绝对不是盲目跟风学技术，而是先做「赛道定位」，再做「阶梯式学习」，最后用「项目落地」验证成果，所有脱离求职目标的入门学习，都是无效内耗。作为在AI行业实习了半年，带过几个零基础学弟学妹入门的后端开发，今天给大家做一份完整的AI入门全流程指南，从第一步的赛道选择，到基础学习、项目落地、求职准备，全给大家讲透，零基础、本科生也能直接抄作业。一、入门第一步：用1周时间，完成赛道定位与目标设定（最核心，绝对不能跳过）这是入门AI最关键的一步，90%的人入门走弯路，都是因为跳过了这一步，盲目学技术...