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 M7-035】解释 GPU 加速的 ANN（如 CAGRA）与硬件协同（Explain GPU-Accelerated Approximate Nearest Neighbor Search (e.g., CAGRA) and Hardware Co-Design）深度数理推导与工程落地解析
把图搜索放到 GPU 上并行（CAGRA）；适合高吞吐低延迟场景，但受显存与数据规模限制。
【AI 核心深度 M7-036】解释十亿级索引的分片与路由（Explain Sharding and Routing Strategies for Billion-Scale Vector Indices）深度数理推导与工程落地解析
把索引分到多机（按向量/按簇/按哈希）；查询需’路由到相关分片’并’合并结果’；关键是减少需访问的分片数。
【AI 核心深度 M7-037】解释量化对 ANN 召回的影响与重排补偿（Explain the Impact of Vector Quantization on ANN Recall and Compensation via Full-Precision Re-Ranking）深度数理推导与工程落地解析
PQ/二值量化降低精度（召回下降）；用’量化粗筛 + 全精度重排’补偿，使量化误差只影响候选集大小。
【AI 核心深度 M7-038】解释 cross-encoder 重排的原理与代价（Explain the Principles, Architectural Expressiveness, and Computational Cost of Cross-Encoder Re-Ranking）深度数理推导与工程落地解析
把查询与文档拼接后一起编码，充分交互 → 精度高；但无法预计算 → 每个候选一次前向（慢）。
【AI 核心深度 M7-039】解释 ColBERT 的延迟交互（Late Interaction）（Explain the Principles and Mechanisms of ColBERT Late Interaction (Contextualized Late Interaction over BERT)）深度数理推导与工程落地解析
文档侧预计算 token 级向量，查询时用 MaxSim（每个查询 token 取与文档 token 的最大相似度再求和）→ 兼顾效率与精度。
【AI 核心深度 M7-040】解释重排模型的训练数据构造（Explain Training Data Construction, Negative Mining, and Distillation Protocols for Re-Ranking Models）深度数理推导与工程落地解析
用’（查询，正文档，负文档）’三元组或’（查询，文档，相关性等级）’训练；关键是难负样本与’蒸馏标注’。
【AI 核心深度 M7-041】解释多阶段排序架构的设计原则（Explain the Architectural Design Principles of Multi-Stage Ranking Pipelines）深度数理推导与工程落地解析
候选数逐级减少、模型逐级变强；每级的目标是’保证下一级的候选够好’（上游保召回、下游保精度）。
【AI 核心深度 M7-042】解释重排中的多样性与去重（Explain Diversity Promotion and Deduplication Strategies in Search and Re-Ranking）深度数理推导与工程落地解析
重排需在’相关性’之外考虑’多样性’（避免同质结果）与’去重’（近重复文档）；用 MMR 或 DPP。
【AI 核心深度 M7-043】解释重排的延迟优化手段（Explain Latency and Throughput Optimization Techniques for Deep Re-Ranking Models）深度数理推导与工程落地解析
减小候选数、用小模型、蒸馏、批处理、ONNX/量化、级联、缓存、GPU、异步预取。
【AI 核心深度 M7-044】解释 LLM 重排（Listwise Reranking）的做法与代价（Explain the Methodologies, Advantages, and Operational Costs of LLM-Based Listwise Re-Ranking）深度数理推导与工程落地解析
用 LLM 对候选列表做 listwise 排序（或打分）；效果强（能理解复杂相关性）但成本高、延迟大。
【AI 核心深度 M7-045】比较 Pointwise、Pairwise、Listwise 三种 LTR 方法（Compare Pointwise, Pairwise, and Listwise Learning-to-Rank (LTR) Methodologies）深度数理推导与工程落地解析
pointwise 逐个打分（忽略顺序）、pairwise 优化样本对顺序、listwise 直接优化列表指标。
【AI 核心深度 M7-046】解释 LambdaMART 的核心思想（Explain the Core Principles, Lambda Gradients, and GBDT Integration of LambdaMART）深度数理推导与工程落地解析
用 λ 梯度（含 |ΔNDCG| 权重）作为’伪梯度’，配合 GBDT 拟合；既优化排序指标又利用 GBDT 的强拟合能力。
【AI 核心深度 M7-018】解释 RRF（Reciprocal Rank Fusion）的原理与超参数 k 的作用（Explain the Principles of Reciprocal Rank Fusion (RRF) and the Role of Hyperparameter k）深度数理推导与工程落地解析
只用排名融合：score=Σ 1/(k+rank_i)，k≈60；避免不同检索器分数尺度不可比的问题。
【AI 核心深度 M7-019】解释为什么混合检索通常优于单一方法（Explain Why Hybrid Retrieval (Sparse + Dense) Consistently Outperforms Single Retrieval Modalities）深度数理推导与工程落地解析
稀疏（精确匹配）与稠密（语义泛化）能力互补；查询类型多样时，混合能覆盖更多情况。
【AI 核心深度 M7-020】解释分数融合与排名融合的差异（Explain the Differences Between Score-Based Fusion and Rank-Based Fusion in Search Systems）深度数理推导与工程落地解析
分数融合用归一化后的分数加权（保留置信度但需正确归一化）；排名融合用排名（鲁棒但丢信息）。