用 AI 核对 Q-learning 目标：回合已经停了，未来价值为何有时还要算 强化学习日志里出现“这一回合结束”，可能是任务已经到达终止状态，也可能只是采样器用完了本次时间。让AI解释更新公式时，若把两者都写成“未来价值归零”，就会把两个学习问题混在一起。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
让 AI 排一次 MoE 路由：总槽位够用，热门专家为什么仍会溢出 稀疏专家模型常被介绍成“每个token只找少数专家”。但即便总处理槽位不少于token数，也不代表每个请求都能进入它首选的专家。把路由选择和容量限制分开记账，才能解释一边拥挤、一边空闲的情况。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
用 AI 检查 GELU 的负半轴：输入更负，输出为何反而靠近零 如果AI把GELU解释成“平滑一点的ReLU”，接着就说负数全部变成零，这个解释已经过头了。用几个负输入和一条独立计算式，既能检查输出，也能看出它不是处处单调上升的函数。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
让 AI 拆开 LSTM 的两份状态：输出变小，记忆为何仍然留着 讲到LSTM，AI有时把“隐藏状态”和“细胞状态”都简称为记忆，于是下一步究竟传哪个数就说不清。做一张单维计算卡，让同一份细胞状态产生两种不同的输出，可以直接看见两个状态为什么不能互换。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
让 AI 算三元组损失：正样本已经更近，为什么还不是零 学习检索向量时，“同类更近、异类更远”说出了方向，却没有说够多远。让AI解释三元组损失，可以固定一个锚点与正样本，只移动负样本，逐次核对距离差是否达到margin。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
用 AI 展开两步扩散加噪：噪声系数直接相加，为何算不出最终方差 扩散模型的正向过程常写成“逐步加入噪声”。如果让AI只画从清晰到模糊的几格图，很难看出信号缩放与噪声方差怎样累计。用一个标量、两步公式，可以把这部分算到每个系数都对得上。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
让 AI 折叠 CTC 路径：空白先删掉，两个相同字就可能少一个 语音或手写识别的一帧输出，不一定对应最终文字里的一个字。CTC把较长路径映射成较短标签时，会处理连续重复与特殊空白。让AI制作几张路径卡，可以把“重复出现”和“连续重复”这两个意思分开。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
用 AI 给分类树选分叉：一边已经纯了，整次切分仍可能更差 给AI一棵分类树的候选分叉，它可能优先赞成“左边已经全是同一类”的方案。纯净的小分支确实有价值，但如果大多数样本仍挤在混杂的另一边，整次切分未必更好。八张卡片就能把这个差异算清楚。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
让 AI 压成一个主成分：保留八成方差，两个不同样本仍会重合 “保留80%的信息”是介绍降维时常见的简写，却容易让人以为每个样本都恢复得八九不离十。让AI做一次PCA投影时，可以要求它同时交出原点、投影坐标和重建点，看究竟丢掉了什么。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
用 AI 搬两颗 K-means 中心：第一次分好的点，下一轮还会换组 让AI给一组资料自动分群以后，只看到最终标签，很难知道分组是如何形成的。可以先用六个数字练习K-means：每一轮都保留中心与归属，观察一个点怎样在中心移动后换到另一组。 yunqueblog/ AI分享/ 2026-10-02/ 2 阅读
yunqueblog
