罗文杰

公开 App Store 评论 · 不隶属于 Keeta / 美团

• 分析 2026-09-27 固定快照中的 2,572 条评论，覆盖 7 个市场；看板展示低星评论中的主题占比、市场差异和小样本提示。
• 比较多语言规则与本地 LLM 标注；SQL 指标通过独立 pandas 实现复算，报告、看板和数据口径在 CI 中核对。
• 180 条参考标注由 AI 辅助制作，非独立人工标注；主动评论样本不代表总体满意度，也不能证明业务影响。

Project Moonshot · 本地模型 · 可复算的实验记录

• 比较单评委与多评委，并审计参考答案、位置偏差和表达方式对判分的影响。
• 保存原始判断、预注册计划和离线分析；将已观察的结果与模拟排名区分呈现。
• 事后敏感性分析按 188 道整题重采样，保留 400 条样本的原结果；主比较的 95% 区间为 [-0.25, 4.98] 个百分点。五个随机种子、两档抽样次数下的 20 组题簇区间均跨过 0，端点诊断见报告。
• 实验使用个人构建的题集与确定性标签，项目独立于 AI Verify Foundation / IMDA。

navtest 全量 12,146 场 / 136 log · navtrain 103,288 场训练 · 每格三种子

• 问题　分数是被什么卡住的：网络不够大，还是看不见该看的？跑一个基线看不出来。
• 做法　搭一条阶梯，每一级只多给一样信息（加速度 → 真值框 → 地图中心线 → 人类速度 → 人类轨迹），全部 12,146 场跑同一 metric cache，每级增益配对自助 95% CI。管线复现了公开基线：恒速 20.7（论文 20.6）、官方 EgoStatusMLP 65.5 / 67.4 / 66.3（论文 66.4±0.9）、Human 94.6（论文 94.8）。
• 结论一　地图的价值约是真值检测框的 7 倍：在运动学那级加在途中心线 +0.296［+0.288, +0.305］，加真值框与刹车只有 +0.040［+0.035, +0.044］。
• 结论二　剩下的空间在速度不在几何：路径固定为中心线时换成人类速度 +0.049；速度固定时把中心线换成记录轨迹只有 +0.010。
• 结论三　真值感知不是白给的输入：模型已经有地图后再喂 8 个真值框，三个种子全部显著变差（−0.044 / −0.031 / −0.047），而开环 L1 几乎不动（0.290 → 0.295）——训练目标完全看不见这件事。
• 量具本身也要校准　先证明这条管线是对的：同一 cache 上复现公开基线——恒速 20.7（论文 20.6）、官方 EgoStatusMLP 65.5 / 67.4 / 66.3（论文 66.4±0.9）、Human 94.6（论文 94.8）。管线对不齐，后面每个结论都不用看。
• 常用指标选不出模型　开环 L1 与 PDMS 的排序相关是 −0.83，看着能用；但只看 7 个真正有竞争力的跑次就掉到 −0.64 并局部反号——dropout 0.2 开环拟合更好（ADE 0.768 vs 0.820），分数反而更差（0.805 vs 0.818）。跑内逐场景相关的绝对值从未超过 0.38。它能筛掉坏模型，选不出好模型。
• 诚实边界　样本量会改结论：同一架构在 563 场上输给手写规则（0.527 对 0.730）、在 12,146 场上反过来（0.823 对 0.785），所以本页只引用全量口径。PDM 是非反应式仿真、不是闭环，其它车回放日志不响应；特权级（真值地图 / 真值框）不可部署，是分析工具不是成果；官方 EgoStatusMLP 均值 0.664 高于我对应的那一格 0.642，训练配方不同且我没调参；TransFuser 未跑，论文值只引用。

CUDA C++ (NVRTC) · T4 同卡三方对照 · 12 组形状

• 做什么　把 Triton 版的 residual-add + LayerNorm 融合核用 CUDA C++ 重写：warp-shuffle + shared-memory 块规约，float64 参考的精度门，数值稳定性扫描。
• 结果　T4 单卡受控对照 12 组形状：Triton 对 eager 中位 1.341×，我的 CUDA 1.087×，CUDA 对 Triton 0.812×——无一组胜出，最高 0.997×。
• 为什么　Triton 按形状自动调 num_warps 与 block 大小；本实现用固定启发式。此前跨卡参照给人的印象是"量级相当"，同卡一测结论相反——所以受控对照必须做。

GTX 1650 (sm_75) · T4 受控反证 · fp16 GEMM

• 问题　vLLM 在 GTX 1650 上吞吐塌陷约 10×。表面上什么都可能是原因。
• 归因　fp16 GEMM 从 M=1 到 M=2 带宽 99.5 → 4.3 GiB/s（0.04×）：sm_75 去掉 Tensor Core 后 cuBLAS 小 M 路径病态。
• 反证实验　同为 sm_75、同为 Turing、只多了 Tensor Core 的 T4 上重跑同一脚本：106.7 → 88.1 GiB/s（0.83×），三组形状一致。单变量、比值差 20 倍——归因成立。
• 上报　根因报到 PyTorch（issue #195716），部署陷阱与告警建议报到 vLLM（issue #54950：--dtype half 在无 Tensor Core 的 Turing 卡上是性能陷阱），两条均已开出。

自己跑通 RTL→GDSII · 1215 块语料出处到行 · 停问消融

• 语料　用官方镜像跑通 nangate45/gcd 完整后端流程，把 46 个报告 / 日志 / 逐阶段指标与 31 个脚本文档切成 1215 块，出处精确到行。
• 停问护栏　7 类结构化原因码（双口径歧义、setup/hold 未指明、库外主题…）：12/12 该停的停住、原因码全对；关掉护栏后 12/12 强行作答且都带出处——带出处的错答更危险。
• 让评测定去留　修复零相关候选参与融合的问题后，23 道检索题中 BM25 与混合检索 Hit@5 均为 22/23（0.957）；保留各版本评测记录，并为错工艺、错运行及无关问题补上拒答回归。从自己的报告里读出：TNS −7.18 / WNS −0.16，修时序 buffer 占标准单元面积 18.7% 而 WNS 未收敛。
• 边界　示例设计规模、开源 45nm 库、默认参数；读的是数字后端 QoR 报告，不是 fab 良率数据。

KuaiRand-Pure · 官方协议计分 · 未入围

• 问题　赛题要的不是我调出一个高分模型，而是一个能自己跑 inspect → feature → train → eval → reflect 的 agent。
• 结果　官方协议下 test 0.6015 vs FM 基线 0.5946，主指标 +0.0069；23 轮计分迭代（上限 50）、CPU-only、约 3.5 小时（上限 6 h）。
• 我更看重那个 0　全程 0 次人工改代码。预算只用一半、没改过一行模型代码（只下过 5 条目标级指令），才说明这是 agent 而不是我在调参。

五万件目录 · 0 token / $0 · 未入围

• 问题　多轮购物对话里，agent 最容易犯的错是候选池一小就急着推荐。但池子小不等于信息够——可能只是被猜窄了。
• 做什么　每轮显式判断证据够不够：够就推荐，不够再问一轮。控制器只看场景、已披露槽位和池子大小，从不偷看剩余轮次预算，也不改排序函数。
• 结果　800 条 ID 隔离会话上多拿 +60 个 rank-1 且 Hit-rate 零损失，8/8 分片全部改善；公开标注集 Hit@10 1.000。全程 0 token、$0。
• 边界　holdout 与 800 条为自切的 ID 隔离切分，不是官方榜。

9,901 件真实男装（Amazon Reviews 2023）· 单页无服务器 · 0 token

• 做什么　男装店面，search_products 在「答了也是猜」时返回一个问题而不是半张排行榜；answer_question 只在有问题挂着时注册、答完即注销；结账是声明式表单，agent 能填，下单键只有人能按。整店一页、无服务器、无模型调用。在开了 WebMCP 旗标的 Chrome 152 上直接驱动 document.modelContext 验证过：11 个命令式工具加结账表单全部出现在 getTools()，answer_question 原生进出工具列表，checkout 填好停在下单键前、什么都没提交。
• 听懂整句　agent 转述的是「要一条皮带，别带按扣，不超过 50 美元」，不是搜索框里的两个词：预算、否定、已说明的属性、「随便都行」按固定顺序解析，读过的词不再二读。800 句由真实商品记录生成的句子：关键词匹配 Hit@10 0.793 → 句子解析 0.999（现行索引 0.993，换一套没调过的措辞 0.991），否定被反转成要求 100% → 0，预算被突破 31% → 0。61 条手写用例加 4,000 句模糊测试进 npm test。
• 何时该问　不用熵——多值属性下份额不是概率分布——按「期望清掉多少候选」定问不问；缺数据不算不匹配，覆盖率低于 45% 的属性不问；清不掉 10 个就不值一轮。「领先者够清楚就停」建了两次删了两次，一步前瞻建了、测了、关着：都是量出来说不。
• 边界与协作　模拟顾客秒答且只说真话，两套基准都测不出人的耐心和缺失属性的代价；属性覆盖是天花板，索引重建后材质 56% → 69%、版型仍只有 9%。队友 Cui Zixuan 另写了一版独立实现（counterask 仓 cuizi-rewrite 分支），其中 5 个想法回收进本仓。

冻结 CLIP + DINOv2 + 28 维取证特征 · 纯 CPU 约 110M · 15 种变换全评

• 为什么这么定题　平台上流转的从来不是原图，是被 JPEG 压过、缩略过、加过噪的转发版。多数检测器报的是干净图上的分数，一到转发链路就掉。所以评测直接在转发后的图上打分。
• 结果　在 SID-Set 的 1,400 张 held-out 切片上评测全部 15 种真实转发变换，带自助置信区间：干净 AUC 0.981、14 种变换均值 0.977、最差一档（0.25× 缩略）0.968；跨源未见过的生成器族（WildFake）干净 0.966。
• 最想讲的一条　取证分支既是跨源泛化的全部来源（只用 CLIP 的探针在未见过生成器的缩略图上只有 0.54，随机是 0.50；加上取证分支到 0.79），又是噪声下崩掉的原因（σ=0.10 时 0.925 → 0.810）。单独看任一项都会得出错误结论——必须配一个噪声训练视图才安全：两者单独只值 −0.006 和 +0.004，合起来 +0.014。
• 证明不是在作弊　把两类图用同样方式重编码，每个头的 AUC 变化都 ≤ +0.0009；单独一个块效应标量只能把两类分到 0.586——说明它不是在读 JPEG 压缩历史。多裁剪 TTA 实现了、测了 15 个条件均值 −0.0039，没上，单独出 A/B 报告。
• 边界　照 TikTok TechJam Track 5 的赛题自己做的项目，没有提交 Devpost，不是参赛作品、不主张任何名次。只在 SID-Set 上训练，未知商用生成器仍会偏移；15 个受测族里 crop 是唯一还没进训练视图的。一台没有 GPU 的笔记本上约 4 天做完。

SQLite · 写死的查询 · 30+8 条评测

• 意义　业务问「谁卖得好」，有人指协会批发（TIV），有人指上牌，两套数对不上。先分清问的是哪一套，再出表，避免同一句话两套答案。
• 做什么　一句话进来，只回答已经写清的批发、上牌或份额。一线页看年销量卡片；给同事的说明要勾选确认才能复制。
• 怎么做　没说清批发还是上牌，或问「上个月」「豪华车」、库里没有的年份，就停下来问人，不猜一套数。自测 30 题：该出数 22 题全对，8 题停问（26.7%）。

两阶段单纯形 + 分支定界 + 真 Gomory 割 · 逐实例与 HiGHS 交叉验证 · 29 测试

• 主力结论　同一个「给定时刻表求最少车辆数」问题：指派型写法的约束矩阵全幺模，线性松弛天然整数，分支定界只用 1 个节点；big-M 写法答案一模一样，但松弛界从 3.0 塌到 1.0、要探 21–31 个节点。代价差一个数量级，差在建模不在求解器。
• big-M 是可测的决定　固定成本生产计划里把 M 从 10000 收紧到「该变量自己的产能上限」：松弛界 1086.54 → 970.51、节点数 19 → 5，最优值 953 一动不动。
• 教科书警告是真的　Beale 1955 的退化例子上，Dantzig 主元规则循环、203 步仍未终止；Bland 规则 9 步收敛。默认配置做成「Dantzig + 迭代上限，撞上限自动重启 Bland」，并用测试锁住这个行为。Klee–Minty 立方体上 Dantzig 的迭代数正好是 2ⁿ−1（n=3..7 为 7 / 15 / 31 / 63 / 127），一步不差。
• 两个负结果才是重点　一，割平面不是免费的：三个背包节点数 17/27/35 → 1，但 n=12 是反例——界确实抬高（163.44 → 160.33），节点数反而 29 → 31。二，割的有效性不靠读代码，靠枚举全部 5,376 个 0/1 点断言没有可行整数解被切掉，第一版那个假割在这条测试上当场失败。
• 边界　2026-09-08 当天新写的项目，不对应任何过往经历。最大实例只到 80×120 稠密 LP、14 个 0/1 变量、8 班次 MDVSP，稠密表格单纯形，规模一大就吃力；列生成没实现（查资料时读过，那才是解大规模的主流路线，读过不等于做过）。「比 HiGHS 慢」在小实例上是假的，到 80×120 才有 32 倍。

23 节点 / 58 有向边动态图 · 四求解器 600 组交叉验证 · 37 测试

• 正确性不靠单个求解器　二叉堆 Dijkstra、A*、标签修正、穷举枚举四条路跑 600 组交叉验证，答案全一致；A* 少展开 42.48%、上界剪枝再省 20.41%，600/600 无损最优。穷举是唯一独立真值——另两个求解器共享同一假设，在构造的非 FIFO 网上一起错了 38 分钟。
• 隔离变量再下结论　「二叉堆把复杂度优化到 O(|E|+|V|log|V|)」这句话在 23 节点上根本无法证伪（总共才展开十来个节点）。所以把「堆」这一个变量隔离到确定性生成的网格路网上单独测：加速比随规模从 1.56×（100 节点）长到 17.03×（4,900 节点），A* 的收益同步 20.0% → 38.3%。小图上那句话没有支撑，万级节点才成立。
• 「< 50 ms」必须连测法一起讲　同一份代码：复用连接时 p99 是 0.44 ms（并发 1）与 17.7 ms（并发 16），每请求新建 TCP 时 p99 变成 515 ms——差 29 倍，差别全在连接建立，求解本身 p99 只有 0.035 ms。而且 p50 会骗人：新建连接那行 p50 反而更好看，尾部已到秒级。
• 车队规模不是连续量　它是天花板函数 ceil((环线运行时间+折返)/发车间隔)，一级一级掉：早高峰环线 26.81 min、间隔 4 min、折返 3 min → 8 辆，少一辆需要周期时间降 6.75%，降 6% 一辆不少。「行程时间降 x%」和「少几辆车」是两件事。
• 边界　这是 2026 年 9 月重建的实现，不是 2024 年那次课程实践的原件；原始北斗轨迹与代码没留档，本仓刻意不复现当年那几个数字。路网与速度历史都是合成的，不是真实观测。重建的是方法与可核验性：被追问「98.7% 的分母是什么」「50 ms 怎么测的」，答案在仓里。

课程设计 · 有报告 PDF

• 情境　洪水下公交和私家车怎么走。路网、出行需求和淹没不在一张图上；默认上更大模型，也不知道密城区和稀疏路是不是同一套答案。
• 任务　做成可对照的评估管线：地形、路网、需求和淹没接到一起；公交和私家车分开仿真；用实验决定规则够不够、何时上模型。
• 行动　Python 约 3500 行 / 10 个模块。规则、带习惯的规则、本地小模型、云端模型对照 200 次仿真，使用配对种子。对接公交 793 个线路方向组合、5201 个站点。
• 结果　Marina 场景（H=2.5m、GPS 关闭）中，规则方案较无重路由基线使平均韧性损失指标 RTA 下降 62.2%；稀疏路网上，模型用更少动作打到接近的效果。有研究报告 PDF。

Group 12 · 仓库可复现

• 情境：AYE 西向 Exit 9→11 交织段高峰堵。任务：用实测标定仿真，比较限速、匝道控制和组合。
• 行动：高峰 43 分钟、平峰 60 分钟视频计数，4 个测点；SUMO 7 节点 6 边；12 组实验。交织段经验通行能力约 5,060 veh/h。
• 原课程报告：匝道控制使高峰网络总时间损失降 22.7%、交织段平均延误降 7.7%。公开仓现已补回控制入口和 12 场重跑记录；本轮 SUMO 结果与历史指标分别列示。

课程项目 · 决策层与接地层开源可查

• 情境：让模型直接改路网会出现状态幻觉。任务：规则先提议，模型只做批 / 不批。
• 行动：SUMO 路网 1.4 km²，2,874 条实测车速标定；645 名通勤者全流程（时间敏感 35% / 价格敏感 40% / 信息不对称 25%）。
• 结果：180 个协调 tick 里 137 个（76%）无候选、不触发模型；触发的 43 次模型全部通过、0 否决——这版数据里模型没挡下过任何动作，所以只能说「四分之三的决策不需要它」。模型直接发明决策会幻觉；同步调用会拖慢仿真，Bus 95 全程延误平均增加 2.2 分钟——课程实验，不是生产 KPI。