NanoChat是一个约6000行代码的开源项目，目标是用100美元复现最好的ChatGPT。它提供模块化GPT模型、BPE分词器、KVCache推理引擎、FP8支持及完整训练流水线（预训练、SFT、RL）。相比nanoGPT，代码量更大、功能更全（含CLI对话），在8×H100上1.65小时完成GPT-2复现，成本约48美元。

机器学习核心概念的层级关系：机器学习（ML）是通过数据自动学习规律的统称，包含传统ML和深度学习（DL）。DL作为ML子集，采用多层神经网络自动提取特征。神经网络（NN）是DL的基础模型，包含CNN、RNN等变体。自注意力机制是神经网络中的关键组件，用于捕捉序列关联。强化学习（RL）是与监督/无监督学习并列的范式，通过环境交互学习最优策略，深度强化学习（DRL）则结合了NN与RL。各概念间存在明确

国产模型以Qwen-Image（中文渲染强）、ERNIE-Image（构图精确）和Z-Image-Turbo（速度快）为代表，均采用Apache2.0协议可商用；国外模型如Stable Diffusion生态成熟但商用受限，FLUX.1画质顶级但非商用，Kandinsky3则支持低成本商用。根据中文支持、商用授权、显存需求三维度，推荐Qwen-Image v1.5（12GB显存）或ERNIE-Im

摘要：预训练阶段以线性代数、微积分、概率论和优化理论为核心，支撑Transformer架构与梯度下降；微调阶段引入低秩分解（LoRA）、KL散度对齐（DPO/RLHF）和强化学习进行偏好优化；模型压缩则依赖数值分析（量化）、矩阵稀疏化（剪枝）和分布拟合（蒸馏）。整个过程形成"数学基础扩展→领域数学深化→工程数学应用"的技术闭环，各阶段数学工具呈现递进式 specializati

机器学习核心概念的层级关系：机器学习（ML）是通过数据自动学习规律的统称，包含传统ML和深度学习（DL）。DL作为ML子集，采用多层神经网络自动提取特征。神经网络（NN）是DL的基础模型，包含CNN、RNN等变体。自注意力机制是神经网络中的关键组件，用于捕捉序列关联。强化学习（RL）是与监督/无监督学习并列的范式，通过环境交互学习最优策略，深度强化学习（DRL）则结合了NN与RL。各概念间存在明确

AGENTS.md是OpenCode的AI行为约束文件，通过分层配置指导LLM在项目开发中的操作。该文件支持全局、项目级和子目录三级配置，优先级从具体到通用。推荐包含项目结构、技术栈、编码规范、常用命令和操作边界等内容，建议60-300行。可通过opencode.json或直接引用其他.md文件扩展规则，特别适合Monorepo等复杂项目。相比传统CLAUDE.md，AGENTS.md提供更精准的

AGENTS.md是OpenCode的AI行为约束文件，通过分层配置指导LLM在项目开发中的操作。该文件支持全局、项目级和子目录三级配置，优先级从具体到通用。推荐包含项目结构、技术栈、编码规范、常用命令和操作边界等内容，建议60-300行。可通过opencode.json或直接引用其他.md文件扩展规则，特别适合Monorepo等复杂项目。相比传统CLAUDE.md，AGENTS.md提供更精准的

AGENTS.md是OpenCode的AI行为约束文件，通过分层配置指导LLM在项目开发中的操作。该文件支持全局、项目级和子目录三级配置，优先级从具体到通用。推荐包含项目结构、技术栈、编码规范、常用命令和操作边界等内容，建议60-300行。可通过opencode.json或直接引用其他.md文件扩展规则，特别适合Monorepo等复杂项目。相比传统CLAUDE.md，AGENTS.md提供更精准的

OpenCode不会记住用户上次使用的模型，每次启动都从配置文件读取默认模型。要修改默认模型，需检查并修改配置文件（全局配置或项目级opencode.json），其中项目级配置优先级更高。配置层级为：远程组织默认 < 全局配置 < 环境变量 < 项目配置 < 环境变量内容。建议在配置文件中显式指定所需模型（如ClaudeSonnet4.5），因为临时切换的模型只在当次会话有

OpenCode不会记住用户上次使用的模型，每次启动都从配置文件读取默认模型。要修改默认模型，需检查并修改配置文件（全局配置或项目级opencode.json），其中项目级配置优先级更高。配置层级为：远程组织默认 < 全局配置 < 环境变量 < 项目配置 < 环境变量内容。建议在配置文件中显式指定所需模型（如ClaudeSonnet4.5），因为临时切换的模型只在当次会话有