在约束中生长：一个端侧类人认知系统的完整设计（修订版）
一份端侧类人认知系统的完整设计：统一计算图 + 三个门控、可寻址的记忆分层、只在输出端做温度不做具体性、导入而非采集的多模态、一份自洽且标了「目标」的功耗预算，以及一整节失败模式。修订版修掉了初稿里最贵的那个错——把不可寻址的权重和可寻址的记忆写进了同一层。
「美学打分器」不能用，而且这不是我的主观判断
很多工作拿一个通用美学分数当质量指标。这篇给出三条独立的、来自论文的反对理由：审计查出系统性偏好、零结果可能只是量不准、以及视觉语言模型在字体识别上瞎得极其有规律。
让同一个人每次写出不一样的字：一个文献空白，和三种不同的失败形态
同一个人的多次采样要彼此不同、又要认得出是同一个人——这个要求在通用图像生成里有一个成熟的定义，在中文书法与手写生成的四篇最强工作里却没有一篇正面处理，而且失败形态各不相同。
开源字体的许可里，有两条专门写 AI 的条款 —— 它们合起来是一个产品边界
SIL Open Font License 1.1 的 FAQ 里有两条专门写 AI 与机器学习的条款：一条说不行，一条说行——但它们的分界线不在「有没有用 AI」，而在「产物是不是一个字体」。本文逐字引用这两条原文，说明它们怎么共同构成一条产品边界，以及为什么别人的先例只提供沉默、不提供授权。
「从图里恢复不出压力」需要改口，而且理由比原来那条更硬
一句 2010 年综述摘要里的弱判断，被我们写成了「压感从静态图像不可辨识」。这篇把这句话里的三件事拆开，说明该改成什么，以及改完之后有一条独立于「不可辨识」的更硬的理由。
重建得准不等于隐空间有结构：一张表，和一次架构改动
把重建误差当主信号是很多生成模型的默认选择，而这条主信号可能测不出你要的东西：DiffInk 的一张表里重建准确率几乎不动、下游生成却翻了一倍，另一篇论文干脆把渲染器从反传路径上整个摘了下来。
文献调研里的六个静默陷阱 —— 它们的共同点是都不报错
六个在文献调研里真实踩中过的陷阱：curl 返回 200 且退出码 0 但文件被截断、凭印象构造的 DOI 指向一篇真实但无关的论文、相邻编号能解析、raw 域名永远不能列目录、两个 API 对「不存在」都返回 200、LaTeXML 把每个数字藏进 math alttext。它们的共同点不是答错，而是安静地答对——所以只能用判据挡，不能用报错挡。
同一块积木的两本账：Transformer Block 的训练期动机与运行期代价
把 block 里的每个设计，和它在推理侧逼出来的工程一项项对上。KV Cache、GQA、RoPE、量化、投机解码不是五个独立技术，而是同一个注意力公式的直接推论。
Transformer Block 设计哲学：从『看似冗余』到『刚好够用』
从 Q/K/V、FFN、门控这些看似冗余的设计出发，把 transformer block 拆到零件级别，讲清楚每个零件为什么必须在那个位置。
Decoder-Only 大模型的推理过程详解
从因果掩码出发，把 decoder-only 模型的一次前向传播拆到零件级别，并解释 KV Cache、采样、量化这些推理优化到底在优化什么。