整理 Hexo、GitHub Pages 与 Redefine 主题搭建过程中的配置步骤、评论系统和常见问题。
-
Sticky
-
图片资产治理台账
这页记录全站图片资产中“已经本地化但需要维护来源”与“当前未被正式页面引用”的资产。它不是删除清单；默认策略是保留可追溯资产，只把本轮明确替换产生的重复文件作为未来人工清理候选。 这页先回答“图片资产治理台账”在「参考与证据标准」里的位置：它不判断论文结论，只帮助维护图片来源、复用价值和清理边界。 前置 ：先看 图片与
-
图片与公式质量标准
这页记录全站维护论文图和数学公式时的最低标准。目标不是把页面做得更花，而是让读者不用猜：图从哪里来、该怎么看、公式里每个位置是什么意思。 这页先回答“图片与公式质量标准”在「参考与证据标准」里的位置：它解决什么局部问题，依赖哪些前置，最后会影响哪类工程或研究判断。 前置 ：先知道本站不是论文列表，而是带证据边界的工程知
-
基础知识：符号与最小数学地图
这页是基础知识模块的随手查表。第一次读 AI 教程时，真正卡人的往往不是公式本身，而是符号没有说明： 是输入还是图像， 是权重还是宽度， 是图像高度还是预测 horizon。 这页先回答“符号与最小数学地图”在「基础知识」里的位置：它解决什么局部问题，依赖哪些前置，最后会影响哪类工程或研究判断。 前置
-
训练：模型训练从零入门
这页给研究入门读者一条更顺的路线：先看清一次训练循环，再读公式、阶段、论文图和系统账。你不需要一开始就懂 Megatron、ZeRO 或 RLHF，只要抓住一个问题： 模型怎样从一批数据里得到错误信号，再把这个信号变成参数更新 。 这页先回答“模型训练从零入门”在「训练」里的位置：它解决什么局部问题，依赖哪些前置，最后
-
量化：论文图解导读
这页把量化章节最常用的论文图放在一条线上。读法不是背图，而是用每张图回答一个问题：量化为什么必要，误差在哪里，系统为什么不一定变快，哪些方法在保护关键路径。 这页先回答“量化论文图解导读”在「量化」里的位置：它解决什么局部问题，依赖哪些前置，最后会影响哪类工程或研究判断。 前置 ：先懂张量、线性层和基本推理成本；遇到
-
量化：符号与最小数学地图
这页不是数学考试，而是读量化教程和论文时随手查的地图。量化公式大多在回答三件事： 这页先回答“量化符号与最小数学地图”在「量化」里的位置：它解决什么局部问题，依赖哪些前置，最后会影响哪类工程或研究判断。 前置 ：先懂张量、线性层和基本推理成本；遇到 FP8、KV Cache、outlier 时回前置页补概念。 必要时先
-
世界模型：从零理解世界模型
这页是世界模型专题的入口缓冲层。默认你已经知道神经网络、Transformer、token 和训练 loss 的大概意思，但还不熟 RL 、 RSSM 、 JEPA 、 WAM/VAM 和论文里的公式符号。 这页先回答“从零理解世界模型”在「世界模型」里的位置：它解决什么局部问题，依赖哪些前置，最后会影响哪类工程或研究
-
VLM/VLA：符号与最小数学地图
这页不是数学考试，而是一张读论文和读教程时随手查的地图。VLM/VLA 里很多公式看起来吓人，其实大多只是在回答三件事： 这页先回答“VLM/VLA 符号与最小数学地图”在「VLM/VLA」里的位置：它解决什么局部问题，依赖哪些前置，最后会影响哪类工程或研究判断。 前置 ：先分清 token、embedding、att
-
本站判断原则
这页说明本站如何判断一项技术是否真的服务 世界模型高效训练 。它不替代 全站证据与复现状态标准、Claim Ledger 或 全站效率技术覆盖矩阵，而是把这些页面背后的判断口径写成更短的原则。 这页先回答“本站判断原则”在「参考与证据标准」里的位置：它解决什么局部问题，依赖哪些前置，最后会影响哪类工程或研究判断。 前置
