125M MIDI 钢琴把表征换了，然后快五倍

simedw 八月二十号那篇 midi-autocomplete，我反复读了一周。

模型不大。125M。端侧。Core ML，INT8。两张 4090 训练几周，量化后塞进 iPhone。

但作者真正在讲的是另一件事。

他原本的表征，是一个时刻一个 token，每个 token 是一次 grammar mask 的决定。每个 step 都得问一次「这个音在五声音阶里吗」「这个时长是 1/16 的倍数吗」。

后来他换了一种表征：compound note event。一次 pass 直接输出「音高 + 时长 + 力度」的组合。

训练步骤没换。数据集没换。损失函数没换。

速度，五倍。

---

我以前总以为，让模型跑得快，得换架构、换算子、换硬件。

但 simedw 这一篇把题换了：表征本身决定了下游优化的天花板。

一个音符，本质是「时长 + 音高 + 力度」。把这三个属性捆成一个 token，模型一次过；拆成三个独立 token，模型三次过。

同一道题，不同的卷子，答案就是不同。

---

一人工程的角度最有意思。

他不是 Google Brain，没有千卡集群。他是 V7 签约的独立承包商，家里四张 4090，几个周末。

把表征换对，工程量就回来了。

他之前也写过 egress-proxy——把 agent 关在 iptables 里，让网络层替它做决定。

这两篇放一起看，是同一个作者的同一个哲学：

真正的限制不在优化层，而在「你怎么描述这件事」。

一旦你换对了描述，下游全是免费的午餐。

---

表征 > 优化。

我以前以为这句话是修辞。

simedw 8/20 这一篇把它变成数据。

---

笔记后记：

作者另一句我也留下了：solopreneur neural network 是说自己；agent = first-time user 是说产品；表征 > 优化 是说工程。三件事出自同一个人，互相印证。

这就是一人工程——

不用站在巨人的脚手架上。自己搭一个更小的，但每一层都对。