但每一种做法的评论中都会有喷子，比如放了太多料就毁了食材，比如这道菜放了酱油就意味着失败，焯水不焯水，老抽还是炒糖色，但如果真有大厨做某道菜，并真吃到嘴里，你会发现无论怎么做都好吃，大厨和喷子的区别在哪？拿捏本味是核心，这一点只有大厨明白，剩下的都是调味，无论用不用调料，用什么调料都不是重点，鱼可做鱼生也可红烧，螃蟹既可清蒸也能爆炒，但喷子的点却在这些非重点，而他们并不知道食材的本味到底是什么性质

下午跟同事聊了一会儿技术形而上，有一些想法，就写一点。之前写过一些关于分组交换和TCP/IP网络的，所以我很难给这篇随笔命名，就叫《漫谈TCP/IP(2)》吧，以后再写就是3，4，5…类推。https://blog.csdn.net/dog250/article/details/118244454https://blog.csdn.net/dog250/article/details/115565

那主机可以不 pacing 吗，显然不可以，为了降低第一跳突发减少第一跳 bufferbloat，所有主机固定 pacing 也不是不行，比如 500mbps pacing，而不是以主机能力突发。至于后面的跳，主机控制不了，只能交换机做。bbr probe 效果并非如论文所说为探测空闲资源，现实中，在多流共享全链路场景不得已的行为，系统本身不稳定，bbr 需要不停 probe 扶正，而计算的代价非

声明一点：Linux中是无法修改tcp的TIME_WAIT值的，除非重新编译，起码我是没有找到怎么改。值得注意的是，net.ipv4.tcp_fin_timeout这个参数是FIN_WAIT_2的值，而不是TIME_WAIT的值。我不知道为何很多人都会把它当成是TIME_WAIT的值，想了一下，我觉得是两点：1.TIME_WAIT过于耀眼，以至于所有出现timeout，加上里面有个tcp的配置，都

于是，X 系统仅由三部分组成，X Server，X Client，X Protocol。我在前面聊互联网发展史和其背后的哲学时，涉及到 “网络最初是基于对等通信，逐步走向内容提供和消费”，而 X 系统在此过程中，从早期加入 C/S 一族，恰好服务于系统本身，也就是说，它是系统的组成部分，于是，X 视角下的整个网络就是一台分布式处理机。典型的场景，Windows 主机的显示器坏了，需要换一台显示器，

进一步思考，“知识蒸馏” 其实是我们最拿手的传统教育模式，在古代，背会唐诗三百首，不会写也会偷，在当代，虽然我们的思维方式不是那么异想天开，但我们的考试成绩秒杀全宇宙，这背后都是对范式的记忆和应用，即，将知识的范式当作知识本身来学习，因此才得以弯道超车，省却了大量时间，这岂不就是大模型蒸馏。这个过程中，我是大模型，女儿是小模型，我由于 30 多年的积累训练，早就有了各种解题范式，而她不需要重复这

进一步思考，“知识蒸馏” 其实是我们最拿手的传统教育模式，在古代，背会唐诗三百首，不会写也会偷，在当代，虽然我们的思维方式不是那么异想天开，但我们的考试成绩秒杀全宇宙，这背后都是对范式的记忆和应用，即，将知识的范式当作知识本身来学习，因此才得以弯道超车，省却了大量时间，这岂不就是大模型蒸馏。这个过程中，我是大模型，女儿是小模型，我由于 30 多年的积累训练，早就有了各种解题范式，而她不需要重复这

不会类比，不懂共情(这两点一向是被计算机背景的理工群体鄙视的)，没有泛化能力，无法举一反三，不会归纳演绎，这才是 AI 的瓶颈，而不是铺天盖地的算力，以及那些以为 scale 就够了的能力，但在本质上，只要 AI 仍然是个概率预测机器，那些 scale up 也好，scale out 也好，都仍然在做概率预测，正如它们名字一样，规模扩大了而已。这个过程最精妙的结果是，在交叉熵损失和 Softmax

(buffer 的平方反比律)，我是三句话不离本行，AIMD 对 buffer 的占用就是按 n 缩放，所以它随 n 越来越小，与本文结论一致，非常公平地使 “权重会趋近于均匀分布”，公平性是 AIMD 特征，但 softmax 恰恰需要 “选择性聚焦”，而不是公平。通过缩放点积，将 softmax 函数的输入控制在一个合理的动态范围，防止了梯度消失，确保了训练过程的稳定和高效，缩放后的注意力权重

ecc的过程与rsa相比有很大的不同，ecc涉及到了很多额外的概念，比如group等等，另外ecc包含两套截然不同的机制，这就是ecdsa和ecdh，这两套机制统一于ecc，在非ecc算法中，这两套机制是由两个独立的算法实现的，比如对于加密/解密以及签名/验证这一类需求来说使用的是rsa，dsa，对于密钥协商这一类需求来说使用的是dh，如何把这两类算法统一到一个结构中是类似openssl等框架需要