单机实测LLM模型推理速度，采用ollama运行qwen3 30b-a3b模型，由于激活参数仅3b，所以CPU运行速度尚可接受。

采用以下硬件测试：
CPU：i5-12400（6个P核、0个E核）
RAM：DDR4-2400MT/s
LLM模型：QWEN3-30b-a3b_Q4_K_M

采用两条DDR4-16G内存组成32G双通道RAM，由于内存条型号规格不同，导致实际运行频率跑不满，只能2400MT/S频率运行，实测带宽约30GB/s。
理论上CPU浮点算力为，全核睿频≈4.0 GHz，6个P核，支持AVX2和FMA指令集，单精度 FP32：6 × 4.0 × 16 = 384 GFLOPS。

实测：输入100tokens序列，prompt速度达到41 tokens/s；decode速度达到12 tokens/s。

LLM大语言模型训练包括预训练、后训练、微调等步骤。

预训练

首先，预训练需要大量的投喂各种预料，让大模型掌握基础的语言顺序逻辑。这一阶段对于训练用的预料要求可以说不高，也可以说很高，主要是依赖于大量的数据进行训练，量越大，效果越好，但是训练的收敛速度到了一定程度以后非常缓慢，甚至可能没有办法前进。

第一性原理（First Principles）是指最基础的、不可再分的命题或假设，是构建某个知识体系或系统所依赖的最根本的基石。由于第一性原理不是从其他原理推导出来的，而是被当作不证自明的起点，直接决定了后续的推导的正确性。
第一性原理的本质是从最基础的真理或定律出发，通过逻辑推演构建知识体系或解决问题的思维方式。就好比，物理学中的牛顿定律、量子力学中的薛定谔方程，是从底层原理推演出复杂现象。打破类比思维陷阱/经验主义陷阱，将问题拆解为基本元素，从零开始构建。

大语言模型推理

关于大预言模型的推理，大家都喜闻乐见，对于简单的问题能够快速的反馈回答正确，在不考虑LLM模型是一个机器的情况下，见到LLM模型输出符合人类预期的结果，总是让人震撼的。没准哪天就把自己取代了。

然而，LLM模型的发展其实更像是汽车对于马车的取消，马车夫会觉得自己会管理马匹，属于专业技能选手。但当汽车推广开的时候，管理马匹的技能就不再是个必要技能了，马车夫自然而然的淘汰了。人工智能的自动驾驶普及的时候，驾驶员的角色也就显得不那么重要了，会开车的技能也失去了固有价值。

大语言模型最能够实现的本质还是基于输入推测输出的算法，是一个极度精巧的机器，这个机器当然是非常有用的，每个人都可以在这个机器上发挥自己的创造性，实现特定的功能。冲击最大的首当其冲的当然是搜索引擎，难怪百度那么积极的投身GPT的开发，可惜赶了个晚集。

用笔记本试着跑了一下qwen3 8B模型，速度感人；
deepseek-r1:8b-0528-qwen3-q8_0
速度大概 4.0 tokens/s左右，不插电掉到1.6 tokens/s左右
基本不可用，一个字一个字的蹦…

电影《周处除三害》中，陈桂林在邪教组织现场开枪击杀通缉犯牛头的时候，遇到枪械卡壳。
然后，有了对话：
陈桂林：“关圣帝君给了我九个圣杯，如果枪械连续九次卡壳，则你走…”
尊者（即牛头-林禄和）“…”(微笑…MLGB…)

这里九个圣杯是指陈桂林在前往警局自首前掷筊卜卦的情况，按照一般的民间卜卦习俗，使用一对半月形的木制或竹制杯筊，连续投掷三次，作为最终卜卦结果。

梳理了以前记载在手机上的关于汽车机油的笔记，形成博客文章进行发布，供需要的兴趣爱好者参考。

人工智能现阶段通常指大语言模型（LLM），大语言模型主要是基于文本上下文的联系，通过词语向量化使句子中的词语转化成可以计算的向量（Vector），利用自注意力机制进行相邻词语的预测推算，生成语句。根据用户输入的对话内容，LLM通过神经网络向量计算，逐一输出对应的回答内容，如果用户给出的问题是准确、清晰且具有良好边界的提问，那么回答内容准确率相当可观。

之前安装网线的时候，本着环保省钱的原则，没有重新布置电线和网线，把网线通过电视信号的管路进行替代性的穿管。没有进行专门的网线布线，更没有安装86面板的wifi。

虽然，省了几千把块的线路改造钱和86面板wifi的钱，但后来很长一段时间都是凑合着用，路由直接放在地上，美观程度着实堪忧。

这两天心血来潮，花￥20块淘了一个路线上墙的挂件，安装效果如下，整体比较满意。

从网上下载了一部外国电影，没有中文字幕，但是有英文字幕。
尝试用ffmpeg导出英文字幕轨，然后利用网络翻译工具，进行机器翻译处理，得到中文字幕轨。
记录一下实验方法，供更多同学参考