AirSOTA
Air School of Thoughts AtoZAirSOTA 知识矩阵：聚合大模型算法架构、科学育儿情境成长、加州地产考牌实战与全球数字化商业出海的权威专栏。
TalentMe · AI 学习与系统架构
工业级 AI 算法核心 69 题、前沿大模型系统架构演进与北美技术面试全流程备考深度长文。
【AI 核心深度 M1-050】如何用 bootstrap 做 A/B 测试的显著性判断？有什么坑。（Detail How to Apply Bootstrap to Evaluate Statistical Significance in A/B Testing and Identify Key Pitfalls）深度数理推导与工程落地解析
对两组分别重采样，计算差值分布的分位数；坑：重尾、极小样本、多重指标、重复抽样需固定随机种子。
【AI 核心深度 M1-051】描述一个标准 A/B 实验的完整流程。（Describe the End-to-End Operational Lifecycle of a Standard Industrial A/B Experiment）深度数理推导与工程落地解析
定假设与指标 → 功效分析与样本量 → 随机分流 → 运行固定时长 → 校验分流 → 统计检验 → 决策与复盘。
【AI 核心深度 M1-052】什么是 A/A 测试？它的作用是什么。（Explain the Purpose and Diagnostic Criteria of A/A Testing in Online Experimentation）深度数理推导与工程落地解析
两组都跑原策略；用于验证分流系统与统计管线，应得到无显著差异。
【AI 核心深度 M1-053】解释样本比例失配（SRM），如何检测与排查。（Define Sample Ratio Mismatch (SRM), How to Detect It via Chi-Square, and Root Cause Diagnostics）深度数理推导与工程落地解析
实际分组比例显著偏离预期；用卡方检验检测，通常说明分流/埋点/过滤有 bug。
【AI 核心深度 M1-054】什么是 CUPED？它为什么能降方差。（Explain CUPED (Controlled-experiment Using Pre-Experiment Data) and Why It Achieves Massive Variance Reduction）深度数理推导与工程落地解析
用实验前协变量（如历史同指标）做回归调整，扣掉可解释方差。
【AI 核心深度 M1-055】CTR 上升但 CVR 没动，如何用统计方法分析原因。（Analyze the Statistical Diagnostics When CTR Increases but CVR Remains Flat in an Online Experiment）深度数理推导与工程落地解析
先做指标一致性检查（分流/口径/延迟），再用分层与中介分析判断是’流量结构变化’还是’转化链路被削弱’。
【AI 核心深度 M1-056】定义因果效应与潜在结果框架（Rubin causal model）。（Define Causal Effects and the Potential Outcomes Framework (Rubin Causal Model)）深度数理推导与工程落地解析
因果效应是个体两种潜在结果的差；观察到的只有一种，故需假设才能识别。
【AI 核心深度 M1-057】解释混淆变量、中介变量与对撞变量，以及各自该不该控制。（Explain Confounders, Mediators, and Colliders in Causal DAGs and Which Must or Must Not Be Controlled）深度数理推导与工程落地解析
混淆需控制（否则有偏）；中介不应控制（会屏蔽效应）；对撞控制会引入选择偏差。
【AI 核心深度 M1-058】解释倾向得分匹配（PSM）与逆概率加权（IPW）。（Explain Propensity Score Matching (PSM) and Inverse Probability Weighting (IPW) for Observational Causal Inference）深度数理推导与工程落地解析
PSM 用倾向得分匹配相似样本；IPW 用 1/倾向得分重加权，构造伪随机化总体。
【AI 核心深度 M1-030】解释次梯度与近端算子（proximal operator），以及它们在 L1 优化中的应用。（Explain Subgradients and Proximal Operators, and How Proximal Gradient Descent Optimizes Non-Smooth L1 Penalties）深度数理推导与工程落地解析
次梯度是凸函数不可导点的梯度集合；近端算子把’梯度步’与’正则项收缩’解耦，软阈值即 L1 的近端算子。
【AI 核心深度 M1-031】为什么 softmax 必须先减最大值？（Explain Why Softmax Must Subtract the Maximum Value and How It Prevents Numerical Overflow）深度数理推导与工程落地解析
exp 对大正数溢出为 inf；减去最大值后指数最大为 0，结果不变但数值安全。
【AI 核心深度 M1-032】写出 log-sum-exp 技巧，并说明它解决了什么问题。（Formulate the Log-Sum-Exp (LSE) Trick and Explain What Numerical Instability It Resolves）深度数理推导与工程落地解析
先减最大值再取 log，避免 exp 溢出与 log(0)。
【AI 核心深度 M1-033】解释混合精度训练中的 loss scaling，为什么它能防梯度下溢。（Explain Loss Scaling in Mixed Precision (FP16/BF16) Training and How It Prevents Underflow）深度数理推导与工程落地解析
FP16 最小正规数很小，梯度易下溢为 0；把 loss 放大 S 倍，梯度同比放大，更新前再除回。
【AI 核心深度 M1-034】解释为什么用 log1p(exp(-|z|)) 计算 BCE，而不是直接 log。（Explain Why Numerically Stable Implementations Use log1p(exp(-|z|)) for Binary Cross-Entropy (BCEWithLogits)）深度数理推导与工程落地解析
直接写法在 z 很负时 exp(-z) 溢出；用 |z| 保证指数非正，永不溢出。
【AI 核心深度 M1-035】列举深度学习中常见的数值不稳定来源，以及各自的缓解手段。（Enumerate Common Sources of Numerical Instability in Deep Learning and Their Standard Industrial Mitigations）深度数理推导与工程落地解析
来源：指数溢出、除零、log(0)、梯度爆炸/下溢、FP16 范围、方差过小归一化。