better-dsh 0.2.5 → 0.3.0-c

package/docs/80_upstream-docs-and-skills/hermes-dev-skill/src/i18n/zh-Hans/user-guide/skills/optional/mlops/mlops-saelens.md

@@ -1,407 +0,0 @@
----
-title: "稀疏自编码器训练"
-sidebar_label: "稀疏自编码器训练"
-description: "提供使用 SAELens 训练和分析稀疏自编码器（SAE）的指导，将神经网络激活分解为可解释特征"
----
-
-{/* This page is auto-generated from the skill's SKILL.md by website/scripts/generate-skill-docs.py. Edit the source SKILL.md, not this page. */}
-
-# 稀疏自编码器训练
-
-提供使用 SAELens 训练和分析稀疏自编码器（SAE）的指导，将神经网络激活分解为可解释特征。适用于发现可解释特征、分析叠加现象，或研究语言模型中的单义性表示。
-
-## Skill 元数据
-
-| | |
-|---|---|
-| 来源 | 可选 — 通过 `hermes skills install official/mlops/saelens` 安装 |
-| 路径 | `optional-skills/mlops/saelens` |
-| 版本 | `1.0.0` |
-| 作者 | Orchestra Research |
-| 许可证 | MIT |
-| 依赖 | `sae-lens>=6.0.0`, `transformer-lens>=2.0.0`, `torch>=2.0.0` |
-| 平台 | linux, macos, windows |
-| 标签 | `Sparse Autoencoders`, `SAE`, `Mechanistic Interpretability`, `Feature Discovery`, `Superposition` |
-
-## 参考：完整 SKILL.md
-
-:::info
-以下是 Hermes 在触发该 skill 时加载的完整 skill 定义。这是 agent 在 skill 激活时所看到的指令内容。
-:::
-
-# SAELens：用于机制可解释性的稀疏自编码器
-
-SAELens 是训练和分析稀疏自编码器（SAE）的主要库。SAE 是一种将多义性神经网络激活分解为稀疏、可解释特征的技术，基于 Anthropic 在单义性方面的开创性研究。
-
-**GitHub**：[jbloomAus/SAELens](https://github.com/jbloomAus/SAELens)（1,100+ stars）
-
-## 问题背景：多义性与叠加（Superposition）
-
-神经网络中的单个神经元是**多义性**的——它们在多种语义不同的上下文中激活。这是因为模型使用**叠加**（superposition）来表示比神经元数量更多的特征，从而使可解释性变得困难。
-
-**SAE 的解决方案**：将密集激活分解为稀疏的单义性特征——对于任意给定输入，通常只有少量特征激活，且每个特征对应一个可解释的概念。
-
-## 何时使用 SAELens
-
-**在以下情况下使用 SAELens：**
-- 发现模型激活中的可解释特征
-- 理解模型学到了哪些概念
-- 研究叠加现象和特征几何结构
-- 执行基于特征的引导（steering）或消融（ablation）
-- 分析安全相关特征（欺骗、偏见、有害内容）
-
-**在以下情况下考虑替代方案：**
-- 需要基础激活分析 → 直接使用 **TransformerLens**
-- 需要因果干预实验 → 使用 **pyvene** 或 **TransformerLens**
-- 需要生产环境引导 → 考虑直接激活工程
-
-## 安装
-
-```bash
-pip install sae-lens
-```
-
-要求：Python 3.10+，transformer-lens>=2.0.0
-
-## 核心概念
-
-### SAE 学到了什么
-
-SAE 通过稀疏瓶颈重建模型激活：
-
-```
-Input Activation → Encoder → Sparse Features → Decoder → Reconstructed Activation
-    (d_model)       ↓        (d_sae >> d_model)    ↓         (d_model)
-                 sparsity                      reconstruction
-                 penalty                          loss
-```
-
-**损失函数**：`MSE(original, reconstructed) + L1_coefficient × L1(features)`
-
-### 关键验证（Anthropic 研究）
-
-在《Towards Monosemanticity》中，人工评估者发现 **70% 的 SAE 特征具有真正的可解释性**。发现的特征包括：
-- DNA 序列、法律语言、HTTP 请求
-- 希伯来文本、营养声明、代码语法
-- 情感、命名实体、语法结构
-
-## 工作流 1：加载和分析预训练 SAE
-
-### 步骤说明
-
-```python
-from transformer_lens import HookedTransformer
-from sae_lens import SAE
-
-# 1. 加载模型和预训练 SAE
-model = HookedTransformer.from_pretrained("gpt2-small", device="cuda")
-sae, cfg_dict, sparsity = SAE.from_pretrained(
-    release="gpt2-small-res-jb",
-    sae_id="blocks.8.hook_resid_pre",
-    device="cuda"
-)
-
-# 2. 获取模型激活
-tokens = model.to_tokens("The capital of France is Paris")
-_, cache = model.run_with_cache(tokens)
-activations = cache["resid_pre", 8]  # [batch, pos, d_model]
-
-# 3. 编码为 SAE 特征
-sae_features = sae.encode(activations)  # [batch, pos, d_sae]
-print(f"Active features: {(sae_features > 0).sum()}")
-
-# 4. 找出每个位置的顶部特征
-for pos in range(tokens.shape[1]):
-    top_features = sae_features[0, pos].topk(5)
-    token = model.to_str_tokens(tokens[0, pos:pos+1])[0]
-    print(f"Token '{token}': features {top_features.indices.tolist()}")
-
-# 5. 重建激活
-reconstructed = sae.decode(sae_features)
-reconstruction_error = (activations - reconstructed).norm()
-```
-
-### 可用预训练 SAE
-
-| Release | 模型 | 层 |
-|---------|-------|--------|
-| `gpt2-small-res-jb` | GPT-2 Small | 多个残差流 |
-| `gemma-2b-res` | Gemma 2B | 残差流 |
-| HuggingFace 上的各类 SAE | 搜索标签 `saelens` | 各种 |
-
-### 检查清单
-- [ ] 使用 TransformerLens 加载模型
-- [ ] 为目标层加载匹配的 SAE
-- [ ] 将激活编码为稀疏特征
-- [ ] 识别每个 token 的顶部激活特征
-- [ ] 验证重建质量
-
-## 工作流 2：训练自定义 SAE
-
-### 步骤说明
-
-```python
-from sae_lens import SAE, LanguageModelSAERunnerConfig, SAETrainingRunner
-
-# 1. 配置训练
-cfg = LanguageModelSAERunnerConfig(
-    # 模型
-    model_name="gpt2-small",
-    hook_name="blocks.8.hook_resid_pre",
-    hook_layer=8,
-    d_in=768,  # 模型维度
-
-    # SAE 架构
-    architecture="standard",  # 或 "gated"、"topk"
-    d_sae=768 * 8,  # 扩展因子为 8
-    activation_fn="relu",
-
-    # 训练
-    lr=4e-4,
-    l1_coefficient=8e-5,  # 稀疏性惩罚
-    l1_warm_up_steps=1000,
-    train_batch_size_tokens=4096,
-    training_tokens=100_000_000,
-
-    # 数据
-    dataset_path="monology/pile-uncopyrighted",
-    context_size=128,
-
-    # 日志
-    log_to_wandb=True,
-    wandb_project="sae-training",
-
-    # 检查点
-    checkpoint_path="checkpoints",
-    n_checkpoints=5,
-)
-
-# 2. 训练
-trainer = SAETrainingRunner(cfg)
-sae = trainer.run()
-
-# 3. 评估
-print(f"L0 (avg active features): {trainer.metrics['l0']}")
-print(f"CE Loss Recovered: {trainer.metrics['ce_loss_score']}")
-```
-
-### 关键超参数
-
-| 参数 | 典型值 | 效果 |
-|-----------|---------------|--------|
-| `d_sae` | 4–16× d_model | 特征更多，容量更大 |
-| `l1_coefficient` | 5e-5 到 1e-4 | 越高 = 越稀疏，精度越低 |
-| `lr` | 1e-4 到 1e-3 | 标准优化器学习率 |
-| `l1_warm_up_steps` | 500–2000 | 防止特征早期死亡 |
-
-### 评估指标
-
-| 指标 | 目标值 | 含义 |
-|--------|--------|---------|
-| **L0** | 50–200 | 每个 token 的平均激活特征数 |
-| **CE Loss Score** | 80–95% | 相对原始模型恢复的交叉熵 |
-| **Dead Features** | <5% | 从不激活的特征比例 |
-| **Explained Variance** | >90% | 重建质量 |
-
-### 检查清单
-- [ ] 选择目标层和 hook 点
-- [ ] 设置扩展因子（d_sae = 4–16× d_model）
-- [ ] 调整 L1 系数以获得期望的稀疏度
-- [ ] 启用 L1 预热以防止特征死亡
-- [ ] 训练期间监控指标（W&B）
-- [ ] 验证 L0 和 CE loss 恢复情况
-- [ ] 检查死亡特征比例
-
-## 工作流 3：特征分析与引导
-
-### 分析单个特征
-
-```python
-from transformer_lens import HookedTransformer
-from sae_lens import SAE
-import torch
-
-model = HookedTransformer.from_pretrained("gpt2-small", device="cuda")
-sae, _, _ = SAE.from_pretrained(
-    release="gpt2-small-res-jb",
-    sae_id="blocks.8.hook_resid_pre",
-    device="cuda"
-)
-
-# 找出激活特定特征的内容
-feature_idx = 1234
-test_texts = [
-    "The scientist conducted an experiment",
-    "I love chocolate cake",
-    "The code compiles successfully",
-    "Paris is beautiful in spring",
-]
-
-for text in test_texts:
-    tokens = model.to_tokens(text)
-    _, cache = model.run_with_cache(tokens)
-    features = sae.encode(cache["resid_pre", 8])
-    activation = features[0, :, feature_idx].max().item()
-    print(f"{activation:.3f}: {text}")
-```
-
-### 特征引导（Feature Steering）
-
-```python
-def steer_with_feature(model, sae, prompt, feature_idx, strength=5.0):
-    """将 SAE 特征方向添加到残差流。"""
-    tokens = model.to_tokens(prompt)
-
-    # 从解码器获取特征方向
-    feature_direction = sae.W_dec[feature_idx]  # [d_model]
-
-    def steering_hook(activation, hook):
-        # 在所有位置添加缩放后的特征方向
-        activation += strength * feature_direction
-        return activation
-
-    # 带引导的生成
-    output = model.generate(
-        tokens,
-        max_new_tokens=50,
-        fwd_hooks=[("blocks.8.hook_resid_pre", steering_hook)]
-    )
-    return model.to_string(output[0])
-```
-
-### 特征归因（Feature Attribution）
-
-```python
-# 哪些特征对特定输出影响最大？
-tokens = model.to_tokens("The capital of France is")
-_, cache = model.run_with_cache(tokens)
-
-# 获取最后位置的特征
-features = sae.encode(cache["resid_pre", 8])[0, -1]  # [d_sae]
-
-# 计算每个特征的 logit 归因
-# 特征贡献 = 特征激活 × 解码器权重 × 反嵌入
-W_dec = sae.W_dec  # [d_sae, d_model]
-W_U = model.W_U    # [d_model, vocab]
-
-# 对 "Paris" logit 的贡献
-paris_token = model.to_single_token(" Paris")
-feature_contributions = features * (W_dec @ W_U[:, paris_token])
-
-top_features = feature_contributions.topk(10)
-print("Top features for 'Paris' prediction:")
-for idx, val in zip(top_features.indices, top_features.values):
-    print(f"  Feature {idx.item()}: {val.item():.3f}")
-```
-
-## 常见问题与解决方案
-
-### 问题：死亡特征比例过高
-```python
-# 错误：无预热，特征早期死亡
-cfg = LanguageModelSAERunnerConfig(
-    l1_coefficient=1e-4,
-    l1_warm_up_steps=0,  # 不推荐！
-)
-
-# 正确：预热 L1 惩罚
-cfg = LanguageModelSAERunnerConfig(
-    l1_coefficient=8e-5,
-    l1_warm_up_steps=1000,  # 逐步增加
-    use_ghost_grads=True,   # 复活死亡特征
-)
-```
-
-### 问题：重建效果差（CE 恢复率低）
-```python
-# 降低稀疏性惩罚
-cfg = LanguageModelSAERunnerConfig(
-    l1_coefficient=5e-5,  # 越低 = 重建越好
-    d_sae=768 * 16,       # 更大容量
-)
-```
-
-### 问题：特征不可解释
-```python
-# 提高稀疏性（更高的 L1）
-cfg = LanguageModelSAERunnerConfig(
-    l1_coefficient=1e-4,  # 越高 = 越稀疏，可解释性越强
-)
-# 或使用 TopK 架构
-cfg = LanguageModelSAERunnerConfig(
-    architecture="topk",
-    activation_fn_kwargs={"k": 50},  # 恰好 50 个激活特征
-)
-```
-
-### 问题：训练时内存错误
-```python
-cfg = LanguageModelSAERunnerConfig(
-    train_batch_size_tokens=2048,  # 减小批次大小
-    store_batch_size_prompts=4,    # 缓冲区中更少的 prompt
-    n_batches_in_buffer=8,         # 更小的激活缓冲区
-)
-```
-
-## 与 Neuronpedia 集成
-
-在 [neuronpedia.org](https://neuronpedia.org) 浏览预训练 SAE 特征：
-
-```python
-# 特征通过 SAE ID 索引
-# 示例：gpt2-small 第 8 层特征 1234
-# → neuronpedia.org/gpt2-small/8-res-jb/1234
-```
-
-## 关键类参考
-
-| 类 | 用途 |
-|-------|---------|
-| `SAE` | 稀疏自编码器模型 |
-| `LanguageModelSAERunnerConfig` | 训练配置 |
-| `SAETrainingRunner` | 训练循环管理器 |
-| `ActivationsStore` | 激活收集与批处理 |
-| `HookedSAETransformer` | TransformerLens + SAE 集成 |
-
-## 参考文档
-
-详细的 API 文档、教程和高级用法，请参阅 `references/` 文件夹：
-
-| 文件 | 内容 |
-|------|----------|
-| [references/README.md](https://github.com/NousResearch/hermes-agent/blob/main/optional-skills/mlops/saelens/references/README.md) | 概述与快速入门指南 |
-| [references/api.md](https://github.com/NousResearch/hermes-agent/blob/main/optional-skills/mlops/saelens/references/api.md) | SAE、TrainingSAE、配置的完整 API 参考 |
-| [references/tutorials.md](https://github.com/NousResearch/hermes-agent/blob/main/optional-skills/mlops/saelens/references/tutorials.md) | 训练、分析、引导的分步教程 |
-
-## 外部资源
-
-### 教程
-- [基础加载与分析](https://github.com/jbloomAus/SAELens/blob/main/tutorials/basic_loading_and_analysing.ipynb)
-- [训练稀疏自编码器](https://github.com/jbloomAus/SAELens/blob/main/tutorials/training_a_sparse_autoencoder.ipynb)
-- [ARENA SAE 课程](https://www.lesswrong.com/posts/LnHowHgmrMbWtpkxx/intro-to-superposition-and-sparse-autoencoders-colab)
-
-### 论文
-- [Towards Monosemanticity](https://transformer-circuits.pub/2023/monosemantic-features) — Anthropic（2023）
-- [Scaling Monosemanticity](https://transformer-circuits.pub/2024/scaling-monosemanticity/) — Anthropic（2024）
-- [Sparse Autoencoders Find Highly Interpretable Features](https://arxiv.org/abs/2309.08600) — Cunningham et al.（ICLR 2024）
-
-### 官方文档
-- [SAELens 文档](https://jbloomaus.github.io/SAELens/)
-- [Neuronpedia](https://neuronpedia.org) — 特征浏览器
-
-## SAE 架构
-
-| 架构 | 描述 | 适用场景 |
-|--------------|-------------|----------|
-| **Standard** | ReLU + L1 惩罚 | 通用 |
-| **Gated** | 学习门控机制 | 更好的稀疏性控制 |
-| **TopK** | 恰好 K 个激活特征 | 一致的稀疏性 |
-
-```python
-# TopK SAE（恰好 50 个特征激活）
-cfg = LanguageModelSAERunnerConfig(
-    architecture="topk",
-    activation_fn="topk",
-    activation_fn_kwargs={"k": 50},
-)
-```

package/docs/80_upstream-docs-and-skills/hermes-dev-skill/src/i18n/zh-Hans/user-guide/skills/optional/mlops/mlops-simpo.md

@@ -1,237 +0,0 @@
----
-title: "Simpo 训练 — 用于 LLM 对齐的简单偏好优化"
-sidebar_label: "Simpo 训练"
-description: "用于 LLM 对齐的简单偏好优化"
----
-
-{/* This page is auto-generated from the skill's SKILL.md by website/scripts/generate-skill-docs.py. Edit the source SKILL.md, not this page. */}
-
-# Simpo 训练
-
-用于 LLM 对齐的简单偏好优化（Simple Preference Optimization）。无需参考模型的 DPO 替代方案，性能更优（在 AlpacaEval 2.0 上提升 +6.4 分）。无需参考模型，比 DPO 更高效。当需要比 DPO/PPO 更简单、更快速的训练时，可用于偏好对齐。
-
-## Skill 元数据
-
-| | |
-|---|---|
-| 来源 | 可选 — 通过 `hermes skills install official/mlops/simpo` 安装 |
-| 路径 | `optional-skills/mlops/simpo` |
-| 版本 | `1.0.0` |
-| 作者 | Orchestra Research |
-| 许可证 | MIT |
-| 依赖项 | `torch`, `transformers`, `datasets`, `trl`, `accelerate` |
-| 平台 | linux, macos, windows |
-| 标签 | `Post-Training`, `SimPO`, `Preference Optimization`, `Alignment`, `DPO Alternative`, `Reference-Free`, `LLM Alignment`, `Efficient Training` |
-
-## 参考：完整 SKILL.md
-
-:::info
-以下是 Hermes 在触发此 skill 时加载的完整 skill 定义。这是 agent 在 skill 激活时所看到的指令内容。
-:::
-
-# SimPO - 简单偏好优化
-
-## 快速开始
-
-SimPO 是一种无需参考模型的偏好优化方法，性能优于 DPO。
-
-**安装**：
-```bash
-# Create environment
-conda create -n simpo python=3.10 && conda activate simpo
-
-# Install PyTorch 2.2.2
-# Visit: https://pytorch.org/get-started/locally/
-
-# Install alignment-handbook
-git clone https://github.com/huggingface/alignment-handbook.git
-cd alignment-handbook
-python -m pip install .
-
-# Install Flash Attention 2
-python -m pip install flash-attn --no-build-isolation
-```
-
-**训练**（Mistral 7B）：
-```bash
-ACCELERATE_LOG_LEVEL=info accelerate launch \
-  --config_file accelerate_configs/deepspeed_zero3.yaml \
-  scripts/run_simpo.py \
-  training_configs/mistral-7b-base-simpo.yaml
-```
-
-## 常见工作流
-
-### 工作流 1：从基础模型训练（Mistral 7B）
-
-**配置文件**（`mistral-7b-base-simpo.yaml`）：
-```yaml
-# Model
-model_name_or_path: mistralai/Mistral-7B-v0.1
-torch_dtype: bfloat16
-
-# Dataset
-dataset_mixer:
-  HuggingFaceH4/ultrafeedback_binarized: 1.0
-dataset_splits:
-  - train_prefs
-  - test_prefs
-
-# SimPO hyperparameters
-beta: 2.0                  # Reward scaling (2.0-10.0)
-gamma_beta_ratio: 0.5       # Target margin (0-1)
-loss_type: sigmoid          # sigmoid or hinge
-sft_weight: 0.0             # Optional SFT regularization
-
-# Training
-learning_rate: 5e-7         # Critical: 3e-7 to 1e-6
-num_train_epochs: 1
-per_device_train_batch_size: 1
-gradient_accumulation_steps: 8
-
-# Output
-output_dir: ./outputs/mistral-7b-simpo
-```
-
-**启动训练**：
-```bash
-accelerate launch --config_file accelerate_configs/deepspeed_zero3.yaml \
-  scripts/run_simpo.py training_configs/mistral-7b-base-simpo.yaml
-```
-
-### 工作流 2：微调指令模型（Llama 3 8B）
-
-**配置文件**（`llama3-8b-instruct-simpo.yaml`）：
-```yaml
-model_name_or_path: meta-llama/Meta-Llama-3-8B-Instruct
-
-dataset_mixer:
-  argilla/ultrafeedback-binarized-preferences-cleaned: 1.0
-
-beta: 2.5
-gamma_beta_ratio: 0.5
-learning_rate: 5e-7
-sft_weight: 0.1             # Add SFT loss to preserve capabilities
-
-num_train_epochs: 1
-per_device_train_batch_size: 2
-gradient_accumulation_steps: 4
-output_dir: ./outputs/llama3-8b-simpo
-```
-
-**启动**：
-```bash
-accelerate launch --config_file accelerate_configs/deepspeed_zero3.yaml \
-  scripts/run_simpo.py training_configs/llama3-8b-instruct-simpo.yaml
-```
-
-### 工作流 3：推理密集型任务（较低学习率）
-
-**适用于数学/代码任务**：
-```yaml
-model_name_or_path: deepseek-ai/deepseek-math-7b-base
-
-dataset_mixer:
-  argilla/distilabel-math-preference-dpo: 1.0
-
-beta: 5.0                   # Higher for stronger signal
-gamma_beta_ratio: 0.7       # Larger margin
-learning_rate: 3e-7         # Lower LR for reasoning
-sft_weight: 0.0
-
-num_train_epochs: 1
-per_device_train_batch_size: 1
-gradient_accumulation_steps: 16
-```
-
-## 何时使用及替代方案
-
-**适合使用 SimPO 的场景**：
-- 希望比 DPO 训练更简单（无需参考模型）
-- 拥有偏好数据（chosen/rejected 对）
-- 需要比 DPO 更好的性能
-- 计算资源有限
-- 单节点训练即可满足需求
-
-**算法选择**：
-- **SimPO**：最简单、性能最优、无需参考模型
-- **DPO**：需要参考模型基线，更为保守
-- **PPO**：最大控制度，需要奖励模型，配置复杂
-- **GRPO**：内存高效的 RL，无需 critic
-
-**改用其他方案的场景**：
-- **OpenRLHF**：多节点分布式训练，PPO/GRPO
-- **TRL**：需要在单一框架中使用多种方法
-- **DPO**：需要建立已有基线对比
-
-## 常见问题
-
-**问题：损失发散**
-
-降低学习率：
-```yaml
-learning_rate: 3e-7  # Reduce from 5e-7
-```
-
-降低 beta：
-```yaml
-beta: 1.0  # Reduce from 2.0
-```
-
-**问题：模型遗忘原有能力**
-
-添加 SFT 正则化：
-```yaml
-sft_weight: 0.1  # Add SFT loss component
-```
-
-**问题：偏好分离效果差**
-
-提高 beta 和 margin：
-```yaml
-beta: 5.0            # Increase from 2.0
-gamma_beta_ratio: 0.8  # Increase from 0.5
-```
-
-**问题：训练时显存不足（OOM）**
-
-减小批次大小：
-```yaml
-per_device_train_batch_size: 1
-gradient_accumulation_steps: 16  # Maintain effective batch
-```
-
-启用梯度检查点：
-```yaml
-gradient_checkpointing: true
-```
-
-## 进阶主题
-
-**损失函数**：参见 [references/loss-functions.md](https://github.com/NousResearch/hermes-agent/blob/main/optional-skills/mlops/simpo/references/loss-functions.md)，了解 sigmoid 与 hinge 损失、数学公式及各自适用场景。
-
-**超参数调优**：参见 [references/hyperparameters.md](https://github.com/NousResearch/hermes-agent/blob/main/optional-skills/mlops/simpo/references/hyperparameters.md)，了解 beta、gamma、学习率选择指南及针对不同模型规模的建议。
-
-**数据集准备**：参见 [references/datasets.md](https://github.com/NousResearch/hermes-agent/blob/main/optional-skills/mlops/simpo/references/datasets.md)，了解偏好数据格式、质量过滤及自定义数据集创建方法。
-
-## 硬件要求
-
-- **GPU**：推荐 NVIDIA A100/H100
-- **显存**：
-  - 7B 模型：1× A100 40GB（DeepSpeed ZeRO-3）
-  - 8B 模型：2× A100 40GB
-  - 70B 模型：8× A100 80GB
-- **单节点**：DeepSpeed ZeRO-3 即可满足
-- **混合精度**：推荐 BF16
-
-**内存优化**：
-- DeepSpeed ZeRO-3（默认配置）
-- 梯度检查点
-- Flash Attention 2
-
-## 资源
-
-- 论文：https://arxiv.org/abs/2405.14734（NeurIPS 2024）
-- GitHub：https://github.com/princeton-nlp/SimPO
-- 模型：https://huggingface.co/princeton-nlp
-- Alignment Handbook：https://github.com/huggingface/alignment-handbook