研究裡的觀察，還有生活中想記下來的事。
影像模型很有吸引力，但當手上的原始資料是數值，把它轉成圖片本身就是一連串設計決策。
顏色如何對應數值？尺度如何設定？數值之間的差異，轉換後還保留了多少？如果沒有先處理這些問題，模型學到的可能也包含轉換方式帶入的痕跡。
在 Wafer Map 專案中，我選擇回到數值特徵，結合製程知識與規則來設計判讀。這不表示影像方法一定不適合，而是當時需要先建立更合理的資料表示與驗證方式。
對我來說，選模型之前，先弄清楚模型實際看見什麼，是值得花時間的一步。
同樣一批 16 個 idea，逐一處理用了 39.52 秒，併發 16 則是 5.34 秒。這讓等待時間明顯縮短，但沒有變成十六分之一。
所有請求仍共用同一張 GPU。批次處理有機會讓硬體更有效率地工作，但大家也同時分享算力和記憶體頻寬。
不同請求生成的程式長度不同；同一份回答也仍需逐步生成。除了產碼，整批計時還包含驗證、評分及初始化等工作。
併發 1、4、8、16 的完成時間中位數，分別為 39.52、11.76、7.95、5.34 秒。這證實了此工作負載的批次收益，但要定位算力、頻寬或排程的主要限制，仍需要額外 profiling。
2026-09-10 固定候選實驗整理。各組三次；使用相同 vLLM 引擎。未計入 idea 生成與模型訓練。
當實驗越做越多，只記得「這個分數很好」還不夠。我更想知道，它為什麼變好，和上一版到底差在哪裡。
在 WorldQuant 的研究流程中，我將假說、實作與回測分開記錄，並保留父節點和延伸分支的關係。同一想法的不同參數組合，也能各自追溯。
如果只保存成功的實驗，就很容易重走已經試過的路。記錄失敗、限制與篩選原因，可以讓下一次研究更清楚地知道要改什麼。
自動化不只是多跑幾次，也包括讓每次執行留下可以理解、可以接續的紀錄。