Z°N VOYAGE WEEKLY #4Z°N VOYAGE WEEKLY ISSUE #004 SYSTEM VERS

Z°N VOYAGE WEEKLY

ISSUE #004

SYSTEM VERSION · v2026.4.0

RANGE: 04.06 — 04.12 · STATUS: PUBLISHED

Weekly Cover

"阅读喂养灵魂，代码筑造现实" —— Z°N

精读文章

你不知道的大模型训练：原理、路径与新实践

大模型训练已形成完整流水线，预训练只是知识底座，真正决定用户感知效果的是后训练、评测、奖励、Agent训练、蒸馏等后半段优化。训练过程包含数据工程、系统架构、后训练、评测反馈等多层耦合环节，1.3B参数模型经对齐优化可超越175B参数模型就是典型案例。2026年模型能力差距源于后半段训练栈的整体优化，而非单一预训练因素。

llm-wiki

LLM Wiki模式由Karpathy提出，旨在用LLM替代传统RAG实现知识累积。传统RAG每次查询需重新检索无沉淀；该模式让LLM摄入新文档时主动提取信息、整合更新实体页面、标注矛盾、建立跨文档关联，形成持续丰富的知识库。架构含三层：Raw sources为只读原始文档库；

Identify, solve, verify

随着大型语言模型编程能力提升，作者认为这反而减轻了职业焦虑，因为软件开发工作远不止编写代码。核心工作流程包括：识别可用代码解决的问题、解决这些问题、验证方案有效性。尽管更先进的LLM可能承担“解决”环节，但“发现问题”“定义问题”“确认问题已解决”仍依赖人类完成，这部分工作约占软件开发内容的80%，是专家的核心价值所在。

Don't Let AI Write For You

随着大型语言模型广泛应用，文章指出过度依赖LLM代写是错失深度思考和建立个人信任的机会。写作本质是通过解决问题、进入模糊地带并以结构化理解走出，从而提升认知水平，这一过程如同锻炼，是能力提升的必要努力，LLM代写则绕过了这种努力。在社会层面，LLM生成的文本削弱作者专业可信度，因其暗示内容非原创思考。

Code and Cake - Your job isn't programming

软件开发的核心挑战在于理解日益复杂的系统，单纯的技术方案如React迁移、微服务拆分或语言重写无法解决根本问题。文章指出真正的解决方案是抽象——隐藏不重要细节、强调重要概念的想法。好的抽象应改变程序员思考代码的方式，而不仅是增加间接层。设计抽象的思路包括：从业务中寻找发票、产品、客户等自然概念；数据是发现抽象的重要来源，因其常伴随修改规则；

The Unsustainability of Moore’s Law

摩尔定律面临物理、经济与工程三重限制。晶体管密度约每两年翻倍，但建厂成本约每五年翻倍，能制造的公司数量减半。25年间，建厂成本从20-40亿美元飙升至1000亿美元以上，全球仅剩2-3家企业具备先进制程能力。2纳米制程名不副实，传统栅极宽度已无法测量。晶体管密度达每平方毫米2-2.5亿个，栅极间距仅30-40纳米，受几何限制已达物理极限。