没有报表的理财是盲飞。本文给出家庭版的两张表（资产负债表、收支表）、五个体检比率（结余率、负债率、流动性、偿债比、投资占比），用央行调查数据指出「房产占近六成」的普遍偏科，再算一笔完整的个税账——专项附加扣除最高一年省下七千多元，最后把所有动作收成一份年度财务日历。

可转债是「下有债底、上有股性」的债券加期权，公募 REITs 是「强制分红九成」的不动产权益凭证——两类工具都试图兼得稳健与弹性。本文讲清可转债的条款语言（强赎、回售、下修）与搜特退债违约的教训，REITs 的分红机制、运营风险与五年 2300 亿的演进，以及打新和二级参与的真实门槛。

房子占中国城镇家庭总资产的近六成，但「有房」与「房产是好的投资」是两回事。本文用两把尺——租售比（50 城平均 2.27%、一线仅 1.66%）与房价收入比（百城 10.3、深圳 34.8）——审视房产的估值，算清 300 万房子的租金与按揭负利差，并梳理人口、城镇化与政策表述变化之下的长期逻辑。

分散投资为什么有效，是一可以算出来的。本文从 Markowitz 的组合数学讲到巴菲特十年赌局与 90/10 建议，量化费率与追涨杀跌两大收益漏点（30 年差四分之一、基民少赚近六成），最后给普通人一张可落地的分层配置表。

复利的力量不在收益率多高，而在时间够不够长。本文用可复算的表格拆解单利与复利、72 法则、现值与折现，并用巴菲特 61 年 19.7% 年化的官方账本说明「早开始」的严格版本——以及负债端同样真实的复利。

2026 年 9 月中国 CPI 0.9%、大行一年定存不足 1%——存钱一年，购买力原地踏步。本文拆解 CPI 的编制口径与中国 30 年通胀简史，用可复算的表格量化「3% 通胀 30 年砍掉六成购买力」，并从魏玛到津巴布韦看通胀失控的样子。

收益是风险的报价。本文以 10 年期国债的无风险利率为尺子拆解风险溢价，用上证、标普、日经的历史回撤数字讲清波动、回撤与永久损失的区别，并给出 R1–R5、资管新规、庞氏骗局三特征在内的「免费午餐」识别清单。

从取模分片的痛点讲起：普通哈希为什么一扩容就让几乎全部数据搬家；哈希环与虚拟节点如何把迁移量压到 1/N 并治住数据倾斜；再用可运行的对照代码，对照 Ketama、Dynamo 与 Redis Cluster 槽位方案的真实取舍。

固定窗口、滑动窗口、漏桶、令牌桶四种限流算法逐个拆解：各自怎么工作、临界突刺藏在哪、适合什么场景。附固定窗口与令牌桶的可运行 TypeScript 实现，最后给一张选型表，并交代 Redis + Lua 的分布式落地现实。

RLHF 要同时养四个模型、跑采样流水线，DPO 只用「好回答与差回答的对数概率比」做二元分类——推导只走三步，训练不用采样、不用奖励模型、不用价值网络。本文拆解 DPO 的完整推导链与全部关键实验，以及 IPO、KTO、SimPO、GRPO 组成的后训练方法论家族谱系。

2023 年 UniAD 拿下 CVPR 最佳论文，2024 年特斯拉 FSD v12 把约 30 万行手写 C++ 驾驶规则换成一根端到端神经网络——此后两年，端到端从研究界的挑战者变成了智驾行业的主路线。本文拆解它替掉了什么（模块化流水线的三宗罪）、怎么工作（可微分架构 + 模仿学习）、以及它把哪些老问题换成了哪些新问题（可解释性、安全验证、数据长尾）。

RAG 系统调不动检索质量时，最先该看的不是向量模型，而是查询本身——用户嘴里的「问题」和索引世界的「查询」是两种语言。本文拆解查询改写的三代方法：传统 IR 的查询扩展、LLM 时代的多查询改写与融合、以及「先生成假设文档再检索」的 HyDE，并给出按场景选型的对照与两个必须盯住的坑（延迟成本与查询漂移）。

GPT-3 有 1750 亿参数却不会「听懂指令」，InstructGPT 用 13k 条示范、33k 条偏好排序和 PPO 强化学习，让 1.3B 的小模型在人类评测里反超大 100 倍的前辈。本文逐层拆解 RLHF 三阶段——SFT、奖励模型、PPO——以及 KL 惩罚、标注员分歧、模式坍缩这些决定成败的细节。

NVIDIA 新卡发布的节奏，很多时候不是被 4nm 产线决定的，而是被台积电一项叫 CoWoS 的 2.5D 封装产能决定的——它把 GPU 裸片和 HBM 并排装进同一个封装。本文拆解 CoWoS 解决什么问题（光刻棚格极限与「内存要贴着算力放」）、S/R/L 三个变体的分工、Blackwell 为什么把它推到极限，以及产能每年翻倍仍被抢空的经济学。

DeepSeek-V3 有 671B 参数，每个 token 却只动用 37B 的计算量——这不是营销话术，而是混合专家架构（MoE）把「模型容量」和「每 token 算力」拆开的结果。本文从 dense 模型的容量两难讲起，拆解路由器与稀疏激活的工作机制、负载均衡的三代方案、DeepSeekMoE 的细粒度设计，也说清 MoE 的两个代价：省 FLOPs 但不省显存，以及「专家」并不按领域分工的反直觉事实。

每个 LLM 基准都逃不过同一条生命周期曲线：出生时区分力强 → 大家刷分 → 分数挤在 90% 以上失去区分度 → 被质疑数据污染 → 退役换下一代。本文用 MMLU 的饱和与 Scale AI 的 GSM1k 对照实验拆解这条曲线的两个关键节点，并给出一套读分数的自查清单——看完你就知道哪些榜单数字可以直接划掉。

自回归生成每产出一个 token，都要回看之前所有 token 的 K 与 V——不缓存，计算量随序列平方爆炸；缓存了，显存又成了新瓶颈。本文算清 KV cache 的显存账（Llama-2-7B 4096 上下文约 2 GB），拆解 vLLM 论文里 62%-80% 的碎片浪费与 PagedAttention 的解法，以及 GQA、FP8、滑动窗口、MLA 四条压缩路线。

看 GPU 规格表，带宽那行数字比 FLOPS 更能决定大模型推理的快慢——HBM 用「立体堆叠 + 超宽接口」两个动作，把内存带宽做到了同代 DDR 的十几倍。本文拆解 HBM 的原理、四代演进、良率与封装的难点，以及它为什么既是 AI 芯片的标配，又是整条产业链最紧的瓶颈。

向量检索毫秒级出结果却常常「差一口气」，交叉编码器足够准却快不起来——Reranker 用两阶段管线把两者拼在一起：先粗召回 50-100 条，再精排挑出 5-10 条。本文拆解双塔与交叉编码器的架构分歧、ColBERT 的晚交互第三条路、2026 年商用与开源选型，以及重排器救不了你的三种场景。

买一盒酸奶能读到配料表和保质期，接入一个动辄服务百万用户的模型，却常常只能拿到几条宣传文案——模型卡片（Model Cards）与数据卡片（Datasheets）就是为这个缺口而生的两份标准文档。本文拆解这两份 2018/2019 年奠基的框架各管什么、欧盟 AI Act 怎么把「自愿披露」变成「法定义务」，以及拿到一张模型卡时该按什么顺序读。