01后训练是个数据问题
很多后训练项目最后拼的不是 PPO、GRPO 还是 DPO，而是你能不能持续造出好数据：合成轨迹、自我博弈、拒绝采样，再加一个足够可靠的裁判。
Mixture of Insights.
这里会长期记录我拆解系统、训练模型、打磨工具时留下的笔记：从一行日志到一次架构取舍，从工程细节到人的判断。写给未来的自己，也写给同样愿意把问题追到底的人。
可以从这里开始读
后训练实战
后训练不只是换一个优化器。这里写数据怎么长出来、奖励怎么骗人、RL 什么时候值得上，以及模型到底学到了什么。
-
-
02先冷启动，再让 RL 往上爬
难任务上直接从 base 模型做纯 RL，常常只会得到高方差的噪声。先用一小批 SFT 样本把策略拉到可探索的区域，再用 GRPO 放大好轨迹。
-
03你到底在奖励什么?
RL 不会替你理解目标，它只会认真优化你写下来的那个数。奖励和真实意图之间的缝隙，就是 reward hacking 生长的地方。
-
04算力不够上 RLHF，就把 DPO 用对
记录一次用 DPO 搞定多角色出戏（OOC）的踩坑局。没有在线 Rollout 确实爽，但被 Loss 曲线骗过的坑也是真的痛。
-
05自我博弈：让模型从游戏里捞数据
有些任务没有现成示范，但游戏至少告诉你谁赢了。让搜索器把局打完，再把赢下来的轨迹留下，数据就从环境里长出来了。
ORBIT —— 在租来的 GPU 上编排训练
租来的机器会消失，训练留下的东西不能消失。这个系列写一次运行怎样从 shell 会话变成可复现的工件。
-
01租 GPU 的控制面
租来的 GPU 很快会消失，但一次训练不能只活在 SSH 会话里。ORBIT 的核心想法，是把运行变成可复现的产物。
-
02ORBIT 的内核为什么不懂任务
执行器越懂业务，越容易被业务拖进分支地狱。ORBIT 的内核只认 bundle、放置和产物收集，把训练、评测、采集都留给插件。
-
03bundle 即契约
远程机器跑完就没了，留下来的 bundle 必须能替它作证。目录结构、日志分层、依赖来源和黑盒边界，都应该写进这份契约。
把 TTS 模型搬上 OpenVINO
离开 CUDA 以后，很多平时理所当然的东西都要重新做一遍：缓存、批处理、带宽账，还有第一帧声音。
-
01离开 N 卡后的真实世界：Ultra x7 358h 平台上的 TTS 推理框架重构
脱离了 CUDA 的舒适区，vLLM 隐藏的复杂性全部暴露。本文以 Ultra x7 358h 为例，深度剖析在异构 AI PC 上从零重构大模型推理栈的框架级、算子级与代码级优化。
-
02拆解 Qwen3-TTS：OpenVINO 移植过程中的图分离与调度实践
TTS 并非齐次的单流前向传递。在向 OpenVINO 移植时，如何依据计算形状（Compute Shape）将模型切割为 Talker、Subcode 和 Decoder，并实现非对称流式块调度。
-
03无 vLLM 环境下的 Paged-KV 与连续批处理调度
模型切片仅仅是静态执行单元。当长上下文、并发请求和核显内存预算同时压迫时，在 Ultra x7 358h 上用纯 C++ 构建的 Paged-KV、U8 缓存与连续批处理调度器才是真正的胜负手。
一台 root 手机能藏住什么
从包名、系统特性、日志到硬件证明，一条通道一条通道地看：哪些能藏，哪些最好早点承认撞墙。
-
01Google Wallet 不是 Play Integrity 那一关
Play Integrity 过了 STRONG，Wallet 还是拒绝加卡。问题不在本地伪装，而在支付后端对硬件证明的校验。
-
02StockMask：不碰 App，也能造一层原厂感
HideMyApplist 藏得住包名，藏不住系统特性。更稳的办法是在 system_server 里按调用方过滤回答，而不是把钩子塞进每个 App。
-
03十五个 App 正在读整台设备的日志
包名和系统特性都藏好了，logcat 却还在漏。只要第三方 App 拿到 READ_LOGS，Magisk、Lineage 和你自己的调试输出都会变成线索。
-
04别用 adb shell 代替 App 的眼睛
shell 看到的世界，普通 App 未必看得到。要审计检测面，得从 App 自己的 UID、命名空间和 SELinux 域里看。
-
05一台 root 手机能藏住什么
包名、特性、权限、日志、服务、硬件证明，每条通道都有自己的边界。能藏的要藏干净，藏不了的要早点承认。
