Next of My Ascend Career
导言
作为卖NPU AI加速卡的软件员工， 目标是将昇腾的底层算力与上层多模态应用需求精准对接，释放昇腾AI算力，让客户看到NPU的性能、性价比、易用性、客户自身业务的使用需求。
笔记¶
AI Post Traning: DPO
导言
在LLM对齐的早期探索中，研究者们建立了两种影响深远的基础范式。
- 一种是基于强化学习的PPO，它将经典的RL框架引入LLM微调，通过复杂的系统协调实现了强大的性能；
- 另一种是DPO，它通过深刻的理论洞见，将对齐问题转化为一个更简洁的监督学习问题，显著提升了训练的稳定性和效率。
鉴于PPO-RLHF的复杂性，研究者们开始寻求更简洁、更直接的对齐方法。直接偏好优化（Direct Preference Optimization, DPO）应运而生，它巧妙地绕过了显式的奖励建模和复杂的RL优化循环，为偏好对齐提供了一个优雅的替代方案。
这篇文章介绍DPO, 和Step-Video论文介绍了Video-DPO, 这类训练中最后通过人工标注优化的方法。
必看好文6
AI Traning System
导言
Step-Video论文详细介绍了AI 系统的一些构建细节。
250217 Step-Video-T2V Reading & Porting
导言
阅读Step-Video-T2V代码（git id d3ca3d6），移植到昇腾。
Future Plans: House & Car
导言
平时里对未来的车和房子有些小要求，防止忘记随手记录一下。
宛如泥潭的大型项目开发困境
导言
当时我选择一线的原因是决定能最解决客户，每个工作能产生最大的价值。
通过一段时间的开发，我感觉在一线开发就像在泥潭里前进：走得越快越远，泥潭陷得越深，前进阻力越大。
困境为何而来，如何解决困境，是我想讨论的重点。
Continuous Integration, CI
导言
在交付PTA需求的时候，发现需求在测试人员的更大的测试规模下出现了问题：
在增多了不同的测试样例，和不同的测试设备(910A,910B,310P)时；程序是否可执行，性能是否达标，精度是不是正常；都有待监控。
说明在开发过程中，我构建个人的每日测试框架，持续监控开发的测试和性能。
集成 windmill-labs / windmill。
AI Model Visualization
导言
作为一个AI初学者，总是遇到以下场景：
- 客户正在基于NV开发一个AI模型，需要同步的做昇腾适配。手上只有NV下的代码。
- 往往很难将论文里的AI模型的图，和代码里的每一层以及参数对应起来。
设计期望：
- 在模型开发的过程中，能简单插入，来明确当前模块的大致信息。
- 名称，类型(卷积层，池化层)，输入/输出/参数, 执行的时间(第一次)。
- 可视化
- 格式兼容cpprinter。
- 能体现出TP，CP等并行策略的效果。
大致思路：
- 还是借助
chrome://tracing格式，来设计类似PyPrinter的工具。 - 早期可以使用
VizTracer代替。
Naming
导言
变量和函数的命名一直是程序员最头疼的事，好的命名应该简洁且自注释，同时还要注意冲突、和相似命名的歧义。
本文将从以下几个方面展开：
- 驼峰型 、下划线型
- 命名示例
Aarch64 CPU Benchmarks for Performance Degrade
导言
测试人员之前有台高性能的测试机器，未知原因坏了之后，他们修好之后，发现性能损失。推测是鲲鹏920的性能损失，为此需要：
- 通过benchmark证明性能损失。
- 定位并说明性能损失原因：1. 软件硬件？ 2. 硬件老化还是流片差异？
- 确定性能损失原因，并给出解决方案。