把这次训练真跑起来 — 显存怎么算、曲线怎么读、什 么时候该收手
这一章讲四件事: 这次训练到底要多少显存(以及那个数为什么大得吓人); 训练跑起来之后,那条曲线的七种形状分别在说什么; 再收一批数据还划不划算,怎么在一张图上当场看出来; 以及一句能当场用的判据——什么时候该停在这一步,什么时候该毕业到下一章。
它在全书链条里的位置: 第 05 章讲了一条训练样本长什么样, 这一章讲把它们真的喂进去会发生什么。 这一章末尾那句判据, 是通向第 07 章的唯一入口。
★ 这一章兑现第 01 章的一笔账:为什么装载和微调是两笔完全不同的账。
1. 先看现象:一张 80GB 的卡,装不下一个 70 亿参数的训练
第 01 章算过一笔账:700 亿参数的模型光装进显存就要 140GB。 很多人由此得到一个错误的推论:那 70 亿参数的模型只要 14GB,一张卡绰绰有余。
推论错在:那 14GB 只够它答话,不够它被训练。
真跑 一次会看到什么:
① 你有一张 80GB 的卡,模型是 70 亿参数,按半精度算 14GB
② 加载完毕,显存占用 14GB。看起来还剩 66GB,很宽裕
③ 开始训练,第一步就报错:显存不够
为什么?因为训练时**同时要装四样东西**,而模型本身只是第一样。
这一章从这四样东西开始。
2. 顶层全景:训练一次要经过的四道关
关 1 装得下吗? ──► 四笔显存账(§3)
装不下 → 换更小的模型 / 换更省的做法(第 11、12 章)/ 拆到多张卡上(§4)
│
关 2 跑得起来吗? ──► 单卡先跑通,再上多卡(§4)
多卡有单卡没有的死法:死锁、静默发散、一卡爆全崩
│
关 3 在往好里走吗? ──► 读曲线(§5)。七种形状,各对应一种病因
⚠️ 训练损失接近零 = 警报,不是成功
│
关 4 真的学到了吗? ──► 留出集 + 四种验证动作(§6)
「看着还行」不算验证
│
关 4.5 再加数据还有没有用? ──► 把表现对数据量画出来(§8)
★ 曲线趴平了不等于成了,也不等于砸了 —— 要看趴在什么高度
│
关 5 该收手了吗? ──► 一句话判据(§9)
「我能亲手为这个输入写出完美回答吗?」
图说:**这几关的顺序不能换。** 关 3 之前谈效果没有意义,
关 4 之前谈上线没有意义,**关 4.5 之前谈「要不要再收数据」全是拍脑袋。**
主走查: 还是那 300 封拒付信,底座取 70 亿参数,一路走完这五关。
3. 关 1:训练时的显存是四笔账
四笔账各是什么
作者把它拆得很清楚1:
| 这一笔 | 装的是什么 | 有多大 |
|---|---|---|
| ① 参数 | 模型本身那些数 | 每个参数 2 个字节(半精度) |
| ② 梯度 | 每个参数「该往哪挪」的那个方向 | 和参数一样大,每个参数 2 个字节 |
| ③ 优化器状态 | 优化器为每个参数记的账(第 05 章讲过它会按历史梯度调节步长,这些历史就存在这儿) | 通 常是参数的两倍,每个参数 8 个字节 |
| ④ 中间结果 | 前向计算过程中每一层留下的东西,反向时要用 | 不固定,随一次喂几条、句子多长而变 |
加起来的经验数是:半精度全量微调大约每个参数 16 个字节1。
走查:70 亿参数要多少
70 亿参数 × 16 字节 = 112GB
├ 参数 70 亿 × 2 = 14GB
├ 梯度 70 亿 × 2 = 14GB
├ 优化器状态 70 亿 × 8 = 56GB
└ 中间结果 还没算进去,另计
→ 作者的原话:这解 释了**为什么 80GB 的卡也只是勉强,
以及为什么那些「只训一小部分」的做法这么流行**[^1]。
这个 112GB 要和第 01 章那个 140GB 摆在一起看,否则会串:
| 那个数 | 它是什么 | |
|---|---|---|
| 第 01 章的 140GB | 700 亿参数 × 2 字节 | 只是把模型装进去、让它能答话 |
| 这一章的 112GB | 70 亿参数 × 16 字节 | 是把一个小十倍的模型训起来 |
这就是「装载」和「微调」两笔账的区别: 训练一个 70 亿的模型,比装载一个 70 亿的模型贵八倍; 它甚至逼近了装载一个大它十倍的模型的开销。 (第 01 章第 5 节许诺过「那三笔账第 06 章算」,这里还上了—— 那三笔就是梯度、优化器状态、中间结果。)
顺带一个默认值:两种半精度不一样
作者用一段专门讲这件事,因为选错会直接让训练崩2:
| 一种 | 另一种(默认选这个) | |
|---|---|---|
| 名字 | float16 | bfloat16(bf16) |
| 16 个位怎么分 | 精度多(10 位)、范围小(5 位) | 精度少(7 位)、范围大(8 位) |
| 后果 | 训练中梯度和中间结果偶尔会飙到它表示不了的大小,溢出、损失变成无效值、整轮训练报废 | 飙上去也接得住,训练更稳;代价是精度略低,实践中几乎无所谓 |
一句话口径:硬件支持就用 bf16。 只支持前一种的老硬件,需要额外小心地做数值缩放和裁剪2。
4. 关 2:装不下的时候,拆到多张卡上
书里讲了两大类做法,它们省的不是同一样东西3:
| 做法 | 每张卡上放什么 | 省了什么 | 代价 |
|---|---|---|---|
| 每张卡各算一批数据 | 整个模型的完整副本 | 什么都不省,只是快 | 显存需求一点没降 |
| 把状态切开分给各张卡 | 参数、梯度、优化器状态各存一小片,要用时通过通信凑齐 | 每张卡的显存需求大幅下降 | 多了通信开销 |
第二类是解决「装不下」的那一类。 作者说它把两类并行的好处结合起来: 每张卡只存总状态的一小部分,同时保持数据并行那种简单的编程模型3。
走查: 那 112GB 的活,切成四份分给四张 24GB 的卡,每张卡只扛 28GB。 这就是从「跑不了」变成「跑得了」的那一步。
但多卡有单卡没有的死法
作者专门用一个警告框列了三种4:
| 故障 | 长什么样 |
|---|---|
| 死锁 | 几张卡在等一个永远不会到达的通信,整个训练卡住不动 |
| 静默发散 | 梯度同步有 bug,各张卡上的模型状态开始不一样,训练悄悄地跑歪 |
| 一卡爆全崩 | 其中一张卡显存不足,整轮训练崩掉 |
注意第二种最毒:它不报错。 你会得到一个跑完了的训练和一个坏掉的模型。
由此得到一条作业顺序:先在单卡上跑通,再上多卡。 排查这些问题需要懂分布式系统,而那不是你在调模型时该分心去学的东西4。
5. 关 3:七种曲线形状,以及那个最容易误读的信号
曲线是这一步的生命体征
作者的比方是:损失曲线之于做模型的人,就像生命体征图表之于医生—— 它是「事情是不是在按该有的样子进行」的首要指标; 学会读它,是这一行最值钱的技能之一5。
而且他提醒:后训练里很多指标的行为,对习惯了传统做法的人来说相当反直觉—— 这里说的「传统做法」指的是后训练出现之前那一大类机器学习任务 (拿标注好的数据训一个模型去做分类、预测这些活)5。
七种形状对照表
这是书里的诊断表,我们按自己的说法重写,并加上走查里的场景6:
| 曲线长什么样 | 多半是什么毛病 | 怎么办 |
|---|---|---|
| 一直不降 | 学习率太低 / 数据加载有 bug / 格式对不上 | 学习率提十倍;检查数据流水线;核对对话模板 |
| 剧烈上下抖 | 学习率太高 | 学习率降十倍;加一段热身 |
| 突然一根尖刺 | 数值不稳 / 梯度爆掉 | 打开梯度裁剪;降学习率;去找有没有异常样本 |
| 缓慢往上爬 | 灾难性遗忘(第 04 章那件事) | 降学习率;加约束;检查数据分布 |
| 训练在降、验证在升 | 学过头了 | 早点停;加正则;补数据 |
| 训练损失接近 0 | 背下来了 | 减少轮数;加正则;提高数据多样性 |
| 两条都很早就走平 | 学不动 / 容量到顶 | 提学习率;训久一点;换更大的模型 |
| 验证曲线抖得厉害 | 验证集太小 / 分布不匹配 | 加大验证集;检查验证集的分布 |
健康的曲线长什么样: 一开始快速下降(模型在适应新数据的分布), 然后逐渐变平7。
最容易误读的那一个:损失接近零
书里用一个警告框单独讲它:
训练损失掉到接近零不是成功信号,是警报。 在微调里,极低的损失通常意味着背下来了,而不是学会了—— 模型学会的是逐字复现训练样本8。
走查里的样子:
那 300 封拒付信训到第五轮,训练损失 0.08。
├ 看起来:完美
└ 实际上:拿一份**没见过**的理赔记录进去,
它写出来的信里出现了训练集里某位被保人的名字。
→ 这不是学会了「怎么写拒付信」,是 背下了那 300 封。
6. 关 4:「看着还行」不算验证
现象
作者对这件事的批评很直接:看几条生成结果、宣布模型「看起来不错」,有时很诱人。 问题在于我们训练的往往是难以定义、甚至可以合理地各执一词的东西; 靠模糊印象会招来偏见和过度自信9。
他还点名:很多出于好意的教程正是掉进了这个坑9。
他给的标准是:「那几条生成结果看着还行」这句话,过不了大多数干系人那一关。 印象必须变成定量的定义9。
留出一部分数据的两条讲究
留出集(拿来验证、不参与训练的那部分数据)不是随便切一刀就行的10:
- 它必须代表部署时的条件。 从和训练数据同一个分布里切出来的验证集, 量的是「模型拟合这个分布的能力」,不是它在真实场景里管不管用;
- 很多场景下还要在时间上分开。 如果训练数据来自一个时间段、 而部署会遇到更晚时期的数据,验证集就该取更晚的那一段。
走查: 那 300 封信如果全是 2023 年的,验证集应该取 2025 年的—— 因为保单条款和话术在这两年之间改过。
四个动作,比看损失有用
| 动作 | 做什么 | 抓得到什么 |
|---|---|---|
| 生成测试 | 拿一批有代表性的提示词跑一遍,读输出 | 格式细错、语气不对——损失捕捉不到的东西11 |
| 对比验证 | 同一批提示词,让微调后的模型和底座各答一遍,并排看(也可以和训练途中存下来的某个中间版本比,那种中间存档叫检查点) | 这次微调到底是改进了还是改 坏了12 |
| 记忆化测试 | 把几条训练样本换个说法,看它怎么答 | 学会了的模型会给出合适但不同的回答;背下来的会吐出原样13 |
| 自动校验 | 有客观对错的部分交给程序验 | 教它按机器好读的固定格式输出(比如 JSON,一种用大括号和引号把键值对括起来的通用数据格式),就写个程序去校验它合不合法;教它从文本里抽出指定的几项内容,就核对抽得对不对14 |
这四个动作的共同点:它们都不需要新的基础设施,当天就能做。 (真正成体系的评估是第 10 章整章的事,这一章只到「训练中看得见的信号」为止。)
7. 顺带把账算清楚:钱花在哪三处
作者把成本分成三类,并且给出了一个反直觉的排序15:
| 类别 | 说明 |
|---|---|
| 算力 | 大致随参数量、数据量、训练轮数线性增长。书给的粗估:70 亿参数、10 万条样本、三轮,大约 10 到 20 个显卡小时 |
| 存储 | 检查点、数据集、日志 |
| 人力 | 对质量要求认真的项目,这一项通常是大头 |
作者的点评值得记住:算力得到的关注远超它应得的份额—— 因为它有账单、看得见,而人力成本藏在工资里15。
他还给了一个很朴素的习惯建议:那些估得极准的架构师靠的不是资历, 是一个习惯——每次都回头去看账单。 不要只因为任务跑完了就满意, 要问:比预期贵吗?能不能换一种服务、换一种规格?16
8. 关 4.5:再加数据还有没有用——那条会趴下去的曲线
结论先行:再花钱收下一批数据之前,先把手上已有的数据画一张图,看曲线还陡不陡。 关 4 判的是「学到了没有」,这一关判的是**「继续往里投值不值」**。
先说现象。 头 100 条样本带来的改善大得惊人;涨到 1000 条还有明显改善; 涨到 10000 条仍然在改善——但每一次翻倍拿回来的东西越来越少。
最后会走到一个地步:数据量翻一倍,带来的那点提升, 已经和「同一批数据、同一套设置反复训几遍,分数本来也会有的上下浮动」分不清了—— 那点浮动就叫噪声(它来自抽哪几条当验证集、参数初值抽到什么,每次都不完全一样)。
提升一旦掉进噪声里,你就说不清它是提升还是运气17。
书给这个形状起了名字。先说事情本身:每把数据量乘上同一个倍数(比如每次乘十), 表现才增加大致相同的一截。 100 → 1000 涨一截,1000 → 10000 再涨同样的一截; 而这两步的代价完全不同——第一步多收 900 条,第二步要多收 9000 条,拿回来的却一样多。 ★ 这种「乘法换加法」的形状叫对数关系,书说表现与数据量的关系近似就是它。
怎么当场看出自己在曲线的哪一段
做法朴素:横轴放数据量,纵轴放留出集上的表现,而横轴按「每格乘十」来刻17。 这种刻法叫对数刻度——第一格 100、第二格 1000、第三格 10000, 而不是均匀的 100、200、300。
为什么非要这么刻: 在这种刻法下,那条近似对数的曲线会被拉成一条近似的直线, 「还在往上走」和「已经趴了」一眼可辨。按均匀刻度画,前面几个点全挤在最左边一小段里, 什么也看不出来。
| 图上看到什么 | 意思 | 该做什么 |
|---|---|---|
| 曲线还很陡 | 你还在陡的那一段 | 继续收数据——书说这是眼下能做的回报最高的一笔投入 |
| 曲线正在压平 | 快到头了 | 再收也涨不了多少,那些时间和钱是白花的 |
平台期有两种,含义正好相反
这是这一节真正值钱的一句。曲线趴平了,不能直接读成「成了」或者「砸了」—— 要看它趴在什么高度上17:
曲线趴平了 → 去看留出集上的表现(就是关 4 那个留出集)
│
├─ 表现满意 → **趴平 = 成功。** 该学的它已经学到了,收手
│
└─ 表现不满意 → **趴平 = 这条路到头了。**
★ 再加同一种数据没有用 —— 不是量不够,
是这批数据能教的,它已经全学会了
→ 要么换数据的性质(质量更高、来源不同),
要么换方法(下一关会把你送到第 07 章)
图说:趴平这个信号本身不含好坏,它只说「这批数据的力气用尽了」。
好坏由高度决定。**看错了这一点,就会在一条已经走死的路上继续加钱。**
走查:那 300 封信画出来是什么样
(下面这几个数是为演示编的,不是书里给的,也不是真实数值。)
横轴按每格乘十来刻,纵轴是留出集上「格式与条款引用全对」的比例:
30 封 ──► 41%
100 封 ──► 63% ← 比上一格 +22
300 封 ──► 74% ← 比上一格 +11 ★ 这是我们手上的位置
(1000 封 ──► ? )
读法:每往右一格,涨幅大约减半 —— 22 → 11 → 下一格大概只剩五六个点。
曲线还在往上走,还没有压平。
★ 结论:再收 700 封凑到 1000 封,预 期能到 80% 上下。
值不值得,取决于 74% 够不够用 —— 而「够不够」不是技术问题,
是第 03 章那条判据:这封信是给被保人看的,不是给内部同事看的。
9. 关 5:什么时候该收手——一句能当场判的话
这是这一章的落点,也是通向第 07 章的唯一入口。
作者说这是一项必备技能:知道什么时候停在这一步、什么时候往下走18。
这一步够用的那些情况有一个共同点
想要的行为,能不能用例子演示出来。19
他给的典型成功案例都属于这一类:
- 格式适配——教它输出 JSON、Markdown 或别的结构化格式。 你能写出正确格式的例子,模型能从里面学会,活就干完了;
- 文风迁移——给它看目标写作风格的例子,它就学会那个风格;
- 领域词汇的采用、结构化输出、模板遵循、引用格式—— 任何「你能产出覆盖情况的完美例子」的任务19。
那句判据
作者把分界线说得非常干净:
共同的线索是:你能不能演示正确行为,而不只是认得出它。 这一步要的是「正确行为的示范」,而下一步要的只是「对行为的评价」。 那些质量容易评判、却难以产出的任务,才是需要下一步的地方20。
翻译成一句可以当场自问的话:
┌──────────────────────────────────────────────┐
│ 「我能亲手为这个输入写出完美回答吗?」 │
├──────────────────────────────────────────────┤
│ 能 → 停在这一步。SFT 就够了 │
│ 只答得出 → 毕业。去第 07 章 │
│ 「我看到好的 │ │
│ 能认出来」 │ │
└──────────────────────────────────────────────┘
拿走查判一判:
| 要求 | 我能亲手写出完美答案吗 | 结论 |
|---|---|---|
| 信的格式、段落顺序、必含字段 | 能,写一封样板就行 | SFT 够 |
| 条款引用的写法 | 能 | SFT 够 |
| 「语气要专业而不冷漠、坚定而不居高临下」 | 写不出来。但两封摆在面前,合规专员一眼能挑出更好的那封 | ✗ 到头了,去第 07 章 |
这就是这本书从第 05 章走到第 07 章的全部理由。
书对这句判据的分量说得比我 们还重: 它说这一个问题预测该用哪种技法, 比任何技术上的考量都准;而「我看到好的能认出来」这个回答,书还给了它一个现成的名字—— 柠檬测试(Lemon test),并说凡是只答得出这句的任务,通常都需要下一章那种做法21。
顺带把两头的典型例子摆一下,这样这条线才立得住21:
| 一类 | 例子 | 过不过得了「我写得出完美答案吗」 |
|---|---|---|
| 格式类 | 输出 JSON、按模板填字段 | 轻松通过 —— 停在这一步 |
| 创作类 | 写得引人入胜、写得有说服力 | 常常过不了 —— 去第 07 章 |
10. 作者的判断与证据
| 说法 | 是哪一类 | 说明 |
|---|---|---|
| 每个参数约 16 个字节、70 亿要 112GB | 可自行验算 | 2+2+8 = 12 加上中间结果的浮动,书自己写的是「经验法则」1 |
| bf16 是更好的默认 | 有机制说明 | 两种格式的位分配是硬事实;「实践中精度损失几乎无所谓」是作者的判断2 |
| 曲线七种形状的病因 | 作者整理的诊断表 | 每一行都是经验对照,书没有给实验支撑 |
| 训练损失接近零 = 背下来了 | 作者的论断 | 说理清楚,没有配实验8 |
| 70 亿 / 10 万条 / 三轮 ≈ 10–20 显卡小时 | 粗估 | 作者自己写明「估算训练时间不是精确的科学」15 |
| 人力成本通常是大头 | 作者的经验 | 没有数据,但和第 01 章那句「标注花掉的钱与算力相当」互相印证 |
| 「能演示 vs 只能评判」这条分界 | 作者的框架 | 这是全书最重要的判断工具之一,它是定义性的,不是被检验的 |
11. 边界与局限
- 这一章不讲怎么搭训练环境。 书里给了配置片段和几个框架的名字, 我们不抄配置——它们半年就会变。 实现细 节请查我们前沿书架上对应的拆解22。
- 诊断表只给了「多半是什么毛病」。 真实排查常常要同时试两三条, 书没有给排查顺序(第 08 章倒是给了偏好训练的排查顺序)。
- 成本那一节的数字过期得最快。 显卡小时的单价、卡的型号, 书自己标的口径是 2026 年初。
- 多卡训练只讲了「有哪两类、各省什么」。 更深的并行方式书里只点名不展开, 它明说那是基础实验室那一档的事(第 01 章讲过分档)。
- 这一章的验证只到「训练中看得见的信号」。 「怎么证明它对业务真的更好」 整块在第 10 章,两章的边界写死在这里,不重复。
12. 可带走的
- 训练显存是四笔账:参数 + 梯度 + 优化器状态 + 中间结果; 半精度全量微调约每个参数 16 个字节;
- 70 亿参数训练要约 112GB —— 所以 80GB 的卡也只是勉强, 这就是所有省显存技法的动机;
- 装载和微调是两笔账:训一个 70 亿的模型,比装一个 70 亿的贵八倍;
- 硬件支持就用 bf16,它的表示范围大,接得住训练中偶尔的数值飙升;
- 多卡有两类做法:各算各的数据(只变快)和把状态切开分给各卡(省显存);
- 多卡有单卡没有的死法,其中「静默发散」最毒,因为它不报错。先单卡跑通;
- 曲线一直不降,先怀疑对话模板(第 05 章那件事),不是先怀疑学习率;
- 训练损失接近零是警报不是成功 —— 那通常意味着背下来了;
- 验证集必须代表部署条件,很多场景还要在时间上分开;
- 四个当天就能做的验证动作:读输出、和底座并排比、把训练样本换个说法再问、 能自动校验的就自动校验;
- 成本三类里人力通常是大头,而算力因为看得见拿走了过多注意力;
- 表现与数据量近似是对数关系:每乘上同一个倍数才涨同样一截, 所以要判断「还该不该收数据」,就把表现对数据量画在对数刻度上看曲线陡不陡;
- 曲线趴平了有两种相反的含义:留出集表现满意 = 成功,收手; 不满意 = 这条路到头了,再加同类数据没用,得换数据性质或者换方法;
- 收手判据:「我能亲手为这个输入写出完美回答吗?」 能就停在这里;只答得出「我看到好的能认出来」(书叫它柠檬测试),才去第 07 章。 书说这一个问题比任何技术上的考量都更能预测该用哪种技法。
13. 原文地图
| 主题 | 原书章 | 原文位置 |
|---|---|---|
| 训练循环四步 | From Theory to GPU Clusters | text/38-fm-from-theory-to-gpu-clusters.txt:9(搜「backward pass then computes gradients」) |
| 显存四笔账与 16 字节 | From Theory to GPU Clusters | text/38-fm-from-theory-to-gpu-clusters.txt:88(搜「approximately 16 bytes per parameter」) |
| 两种半精度的区别 | From Theory to GPU Clusters | text/38-fm-from-theory-to-gpu-clusters.txt:90(搜「dynamic range」) |
| 两类并行、分片 | Note | text/40-fm-note.txt:78(搜「Data parallelism replicates」) · text/40-fm-note.txt:82(搜「Fully sharded approaches」) |
| 分布式独有的故障 | WARNING | text/41-fm-warning.txt:3(搜「Deadlocks occur」) |
| 成本三类与粗估 | WARNING | text/41-fm-warning.txt:7(搜「human effort typically dominates」) · text/41-fm-warning.txt:11(搜「10 to 20 GPU」) |
| 回头看账单的习惯 | ALWAYS BE COSTING | text/42-fm-always-be-costing.txt:5(搜「retrospectively examining the bill」) |
| 曲线是生命体征 | Reading Training Signals | text/43-fm-reading-training-signals.txt:7(搜「vital signs chart」) · text/43-fm-reading-training-signals.txt:3(搜「counterintuitively」) |
| 曲线诊断表 | Reading Training Signals | text/43-fm-reading-training-signals.txt:19(搜「Loss does not decrease」) · text/43-fm-reading-training-signals.txt:51(搜「Memorization」) · text/43-fm-reading-training-signals.txt:67(搜「rapid initial decline」) |
| 损失接近零是警报 | WARNING | text/44-fm-warning.txt:3(搜「not a success signal」) |
| 留出集的两条讲究 | WARNING | text/44-fm-warning.txt:7(搜「represents deployment conditions」) · text/44-fm-warning.txt:9(搜「temporal separation」) |
| 四个验证动作 | WARNING | text/44-fm-warning.txt:17(搜「generation testing」) · text/44-fm-warning.txt:19(搜「Comparative verification」) · text/44-fm-warning.txt:21(搜「Memorization testing」) |
| 「看着还行」不算验证 | VIBES AREN'T VERIFICATION | text/45-fm-vibes-aren-t-verification.txt:3(搜「looks good」) · text/45-fm-vibes-aren-t-verification.txt:7(搜「quantitative definitions」) · text/45-fm-vibes-aren-t-verification.txt:9(搜「validate the JSON」) |
| 何时停在 SFT、那条分界 | When SFT Is Enough | text/46-fm-when-sft-is-enough.txt:7(搜「demonstrated through examples」) · text/46-fm-when-sft-is-enough.txt:9(搜「format adaptation」) · text/46-fm-when-sft-is-enough.txt:11(搜「easy to assess but hard to generate」) |
| 递减回报、对数刻度、两种平台期 | Note | text/47-fm-note.txt:7(搜「approximately logarithmic」) · text/47-fm-note.txt:9(搜「on a log scale」) · text/47-fm-note.txt:11(搜「plateau can mean two things」) |
| 柠檬测试、格式类与创作类 | Note | text/47-fm-note.txt:3(搜「the Lemon test」) |