- 博客(95)
- 收藏
- 关注
RSS订阅原创 从最后一帧反推世界：LIFT 如何用布局控制视频生成
想精准控制视频生成，却苦于相机控制管不了新画面、文本提示又太模糊？🤔 LIFT 提出巧妙的“最后一帧布局”方案：你只需描述最终画面里物体的位置，模型就能反推中间过程，让大视角变化下的新区域也变得可控。文章深入拆解其 OPSD 自蒸馏框架、对比主流方案，并给出实用选型建议，带你理解稀疏监督控制的...
2026-10-11 17:00:51
36
原创 超越时间线：用「具身实体传记」重构长视频记忆
长视频问答总卡在“这是谁”？🤔 传统时间线记忆会丢失物理身份，让同一只猫在检索中“分身”。本文带你了解「具身实体传记」（GEB）——从视觉观测直接建立身份链接，让检索沿着实体而非时间走，在 EgoLifeQA 上拿下 72.0% 准确率。
2026-10-11 12:00:56
129
原创 从“我的电脑”到语义相变：拆解生成模型中的局部去噪动力学
为什么生成模型的语义会突然“凝固”？🤔 这篇文章带你从“我的电脑”图标说起，拆解扩散模型中语义定型与非局域窗口几乎同时出现的现象。作者用三条技术路径对比，揭示背后可能的共同原因假设，并给出不同阶段读者的学习建议。无论你是学生、转行者还是研究者，都能从中获得理解生成动力学的新视角。
2026-10-11 07:00:58
188
原创 HelixWorld 源码剖析：当世界模型第一次“开口说话”
世界模型终于不再“沉默”了！HelixWorld 首次让视觉与空间音频在同一套自回归 rollout 中联合演化，还能单卡跑出 24 FPS 🎧 这篇文章带你拆解它的双向教师+流式学生范式、四条技术路线对比和选型建议，帮你看清多模态世界模型从“能生成”到“因果、实时、一致生成”的关键跨越。
2026-10-10 17:01:03
133
原创 打破均匀性陷阱：从源码视角拆解 SplitMoE 如何为视频扩散模型扩容
视频扩散模型的 MoE 扩容为何总踩“均匀性陷阱”？🤔 本文从源码视角拆解 SplitMoE：它把专家池显式分为语义专家与通用专家，用原型引导路由替代均匀正则，仅替换部分 FFN 层就能显著提升生成质量。你将看到三条技术路线的对比、选型建议与面试高频考点，帮你真正读懂架构创新该“改哪里”。
2026-10-10 12:01:02
257
原创 Thinking Before Thinking：从源码视角拆解 Agentic Meta-Reasoning 的控制回路
Agent 跑得越久越容易跑偏？这篇从源码视角拆解 Meta-Reasoning 控制回路：把控制决策从隐式循环中抽离，用 Worker + Controller + 持久记忆三层架构，让长轨迹任务不再受困于上下文膨胀。
2026-10-10 07:01:01
179
原创 让 Transformer 学会“回头“:LIFT 架构如何用教师监督打通深层到浅层的信息回流
Transformer 的信息只能单向流动，深层状态无法回传浅层，形成窄通道瓶颈。LIFT 架构用教师监督把深层信息回流变成可并行的预测问题，训练完全并行、推理轻量，小模型即可击败 8 倍数据训练的基线。想突破标准 Transformer 的天花板？这篇带你摸清架构与训练目标创新的双主线 🚀
2026-10-09 17:01:04
321
原创 Livenerf: Has Opus 5.5 been nerfed yet?
大模型悄悄“变笨”了？😱 你无法直接观测服务端更新、参数调整或安全策略收紧，只能眼睁睁看着输出变差。Livenerf 给“模型是否被 nerf”提供了一套可复现、可对比的度量思路，盘点回归集、成对比较、能力探针等主流方案，帮你选对检测策略，把模型能力基线监测写进作品集。
2026-10-09 12:01:03
165
原创 Gemini 4 Argon 深度解读：当模型开始“写完整个项目”，开发者该补齐什么能力？
Gemini 4 Argon 把单次输出拉到百万 token，模型正从“助手”变成能独立交付模块的协作者🤖 但生成越强，验证越贵。这篇文章带你看清前沿模型的能力边界，更告诉你：未来真正稀缺的不是“会问模型”，而是“会验证模型输出”。
2026-10-09 07:01:03
212
原创 从“拒绝 MCP”到“真香”：一次协议选型的源码级复盘
还在纠结要不要用 MCP？作者曾公开拒绝，如今却“真香”改口🙃。这篇文章从源码级视角复盘原生函数调用、MCP、CLI 三条工具调用路线的延迟、可移植性与组合能力，并给出四种场景的选型建议。读完你会明白：协议不解决编排，抽象有代价，先看清约束再决定加不加那一层。
2026-10-08 17:00:55
392
原创 给现有网络加两个“先验“就够了：SSC-Priors 源码级拆解
想让现有SSC网络性能再上一个台阶？🤔 这篇源码级拆解告诉你：不动主干，只往输入里加语义伪标签和可见性两个"先验"，老模型就能追平甚至反超SOTA。作者还给出oracle对照、选型建议和跨传感器迁移思路，帮你在课程项目或工业部署中用最小改动撬动最大收益。
2026-10-08 12:00:55
556
原创 Tables Decoded: 从表格图像到结构化文本，DELTA 与 TARQA 的源码级拆解
表格图像如何变成LLM能直接理解的结构化文本？📊 本文源码级拆解DELTA与TARQA：前者用三段式解码将表格压成紧凑的OTSL序列，绕开视觉编码器的语言偏见与高昂token成本；后者在此序列上微调，WTQ问答提升9.3个百分点。
2026-10-08 07:00:55
330
原创 SlotDiT：当扩散 Transformer 学会用「物体」思考
扩散 Transformer 只会看像素，却不懂“杯子”“机械臂”？🤔 SlotDiT 首次把物体级 slot 表示接入 DiT，让模型直接在“物体”上做去噪。生成质量有竞争力，四个机器人数据集任务完成率稳定提升。想知道表示设计如何胜过堆参数？这篇文章带你从三大 latent 路线看懂选型逻辑。
2026-10-07 17:00:56
324
原创 PhysStream 源码级拆解：流式视频生成如何做到“边生成边控制“
视频生成只能"一次性喂控制"？PhysStream 让你在生成过程中用稀疏速度增量信号实时干预，靠结构化场景记忆保持物理一致性。本文源码级拆解它的数据流与两阶段训练设计，帮你搞懂"边生成边控制"到底怎么落地，攒下一段可控生成的实战理解 🎬
2026-10-07 12:00:57
270
原创 Track, Articulate, Act：从随手拍的人类视频里“拆”出可仿真关节物体
只需一段随手拍的单目视频，你就能自动“拆”出抽屉、笔记本等铰接物体的关节结构，并在MuJoCo中完成仿真回放！本文提出Track, Articulate, Act思路：用稠密3D点轨迹替代专用硬件与人工标注，通过“预训练模型+显式几何推理”自动推断关节类型与运动状态。
2026-10-07 07:00:56
160
原创 从科学代码库到智能体训练场：ScienceIDE 的架构拆解与工程启示
科学代码跑不通、复现难？ScienceIDE 提出"科学经验瓶颈"，把仓库改造成可编程环境，用验证过的交互轨迹训练智能体。本文拆解四条技术路线与选型建议，教你如何把"读懂并跑通科学仓库"变成可复用的作品集能力💡
2026-10-06 17:00:54
204
原创 让机器人“看一眼就会”：GPT-Policy 的上下文学习架构拆解
机器人也能“看一眼就会”？🤖 本文拆解 GPT-Policy 的上下文学习架构，带你看懂它如何让 VLM 在部署现场直接生成可执行动作，无需任何梯度更新。从四条技术路线对比到选型建议，帮你快速掌握具身智能从“训练驱动”转向“推理驱动”的关键路径。
2026-10-06 12:03:55
164
原创 从稀疏观测到可动结构：FAMOS 前馈式 3D 铰接建模源码级拆解
只需几张无序照片，FAMOS 就能前馈式推断 3D 铰接结构与关节参数，兼顾速度与泛化。本文源码级拆解其核心组件，盘点三大技术路线，并按场景给出选型建议。想知道稀疏观测如何变成可动结构？🚀
2026-10-06 07:00:55
239
原创 从零读懂世界模型的持续学习：一份组合式基准的源码级拆解
世界模型为何换个任务就“变笨”？🤔 这篇源码级拆解带你从零读懂组合式持续学习基准：把“复用”从“遗忘”中隔离出来，用动作×感知双轴拆解评测，还附三类方案对比与选型建议。无论你是做课程项目还是多任务部署，都能找到可落地的诊断思路。
2026-10-05 17:00:58
252
原创 稀有事件估计的迭代去对齐：从源码视角拆解重要性采样新范式
面对概率低至10⁻⁹的稀有事件，朴素蒙特卡洛需要天文数字的采样量，经典重要性采样又受困于提议分布的手工设计。这篇文章带你从源码视角拆解新范式：把提议分布参数化为可微的语言模型，在权重空间中搜索扰动，配合自适应正则化，实现超800倍的计算效率提升。
2026-10-05 12:03:58
227
原创 给 Agent 的“自我进化“装上正则项：RRSI 源码级拆解
Agent 也能自我进化，但如何避免它“背题”过拟合？本文源码级拆解 RRSI，带你看懂 Critic 与 Pruner 如何在搜索阶段注入正则化，让进化偏向可复用机制。ID 最高提升 14.1，OOD 稳定 +4.7，token 还省 30% 🔍 想知道怎么证明你的改进不是过拟合？点进来看看。
2026-10-05 07:00:55
189
原创 如何循环 MoE：压平专家，解开注意力
想更划算地花算力？循环与 MoE 各吃一份红利，但怎么合起来是个难题🤔 这篇论文给出 Foil：压平专家、解开注意力，在等参数等算力下让 loss 单调改善，还带来更健康的路由。想知道循环 MoE 该怎么设计，这篇别错过。
2026-10-04 17:00:58
204
原创 让 LLM Agent 的账单可预测：TokenCast 的“分段成本表示“拆解
你的 Agent 账单还在开盲盒吗？🤔 TokenCast 用“分段成本表示”破解 LLM Agent 成本预测难题：无需额外调用 LLM，边跑边预测，MAE 平均降低 14.5%，同等完成度省 21.3% token。
2026-10-04 12:04:04
327
原创 从一行代码到SOTA：PDMD如何驯服视频扩散蒸馏中的“批评家误差“
视频扩散蒸馏总被“批评家误差”拖垮，越训越糊？😮 本文带你直击DMD训练退化的根源，看PDMD如何用一行代码的投影操作，滤除误差、稳住训练，在Wan2.1上以4 NFE刷新SOTA，音视频任务全面领先。想知道几何直觉如何变成你的作品集亮点？点开就懂。
2026-10-04 07:00:55
285
原创 当传感器学会“说谎“：拆解可靠性门控的稀疏惯性动捕融合
传感器也会“说谎”🤔 当消费级IMU的固件朝向偏置拖垮动捕精度，你该如何让模型学会“该信谁”？本文拆解可靠性门控融合：用逐通道信任系数替代静态加权，在干净数据上达69.4mm，故障下最坏退化仅+3.5mm。四条技术路线对比+分场景选型建议，帮你从课程项目到求职面试都能讲清门控为何不是注意力。
2026-10-03 17:00:55
181
原创 DynaTokens：把“动力学”教给相机可控视频模型，为什么只训练一组 Token 就够了
想让相机可控的视频模型学会“场景自己动”，却不想重训基础模型？DynaTokens 只训练一组轻量 Token，通过 cross-attention 注入冻结主干，巧妙对齐局部动力学与可训练接口的结构。它在 VBench2 和 WorldScore 上超越 LoRA 与块微调，兼顾相机控制与物...
2026-10-03 12:03:56
215
原创 让循环 Transformer 学会“偷懒”：TaH2 如何把测试时算力花在刀刃上
循环 Transformer 一定更省算力吗？新工作 TaH2 给出反直觉答案：固定深度循环斜率虽陡，等算力下却常输基线。它训练迭代决策器，用前瞻监督判断每个 token 是否值得再算一轮，把算力花在刀刃上，斜率提升 53%，峰值精度高约 3.4 分。想知道你该如何选型？
2026-10-03 07:00:54
210
原创 从分布训练到一步生成：MGFlow 的统一框架拆解
想搞懂一步生成为何难训、又如何被统一框架破解吗？本文带你从FD-Loss、Gaussian-kernel Drifting一路拆到MGFlow，看它如何用高斯混合模型实现可调粒度的分布匹配，在ImageNet上把FDr⁶压到1.45，还让FLUX.2一步生成反超四步版本🚀 无论你做研究还是准备...
2026-10-02 17:00:56
315
原创 STEPQuant：Delta-Rule 循环状态量化中，误差何时何地才真正致命
循环状态量化为何比 KV Cache 更难？STEPQuant 揭示：误差会沿递归链累积，且不同 key 行影响天差地别。本文带你拆解时空联合精度分配如何让 6-bit 逼近 FP32，服务内存最多降 68.7% 📉 长生成、高并发场景选型必读。
2026-10-02 12:03:56
245
原创 从频率到几何：GA-EIRFS 如何重新思考长尾 3D 检测的采样逻辑
长尾3D检测别再只盯着频率了！GA-EIRFS提出一个扎心问题：被扫5个点的自行车和被扫200个点的自行车，监督价值真的一样吗？🤔 它只改帧采样概率、不改模型，用几何分数调制重复因子，即插即用还能稳定涨点。想知道如何用"轻量级创新"撬动长尾难题，以及它的局限在哪？点进来看看。
2026-10-02 07:02:25
446
原创 从 CLeaR 看风格迁移的“泄漏—退化”困局：一次训练无关框架的源码级拆解
想做风格迁移却总被内容泄漏困扰？🤔 这篇源码级拆解带你从 CLeaR 框架看清“泄漏—退化”困局的本质。文章用一张表对比三条技术路线，拆解正交子空间投影、集成反演与能量引导校准三大模块，还给出课堂作业、作品集、生产级三种场景的选型建议，帮你在面试中讲清投影为何能削减内容。
2026-10-01 20:26:15
354
原创 从一张图到碎裂瞬间：FracGen 如何用物理信号“导演“物体撕裂
想让 AI 生成玻璃碎裂的真实画面，为什么总是崩坏？🤔 本文带你深入 FracGen 的核心思路：不只预测 RGB 像素，而是逼模型同时学习损伤场、速度场等物理信号，用物理信息损失“导演”物体撕裂。你还能看到三条主流技术路线的对比、选型建议，以及面试常考的物理场监督原理——想入门物理感知生成，...
2026-10-01 19:06:05
235
原创 从 PowerSim 看可微物理仿真：当渲染原语直接变成物理粒子
可微渲染之后，下一个缺口是"可微动力学"🔍 这篇文章带你从 PowerSim 出发，看懂"渲染原语直接变成物理粒子"的新范式：无需中间表示，梯度可从像素一路回传到材质参数。文章盘点四条技术路线、对比优劣，并给出选型建议，帮你在图形学、机器人、具身智能的交叉口找到高性价比切入点。
2026-10-01 17:46:09
235
原创 实测OpenClaw 2.0：“龙虾”史上最大更新，网友：爱过，我选Hermes
OpenClaw 2.0 号称“龙虾”史上最大更新，底层调度重构带来灵活性，却在内存调度和冷启动上翻车😅。实测显示其内存峰值飙至 4GB，而 Hermes 仅 1.5GB。如果你正纠结选型，这篇踩坑实录帮你少走弯路，看清谁才是真正适合你的框架。
2026-09-30 15:03:53
309
原创 跨端协同与自然语言编程：从全场景发布会看未来3年的技术红利
全场景发布会释放明确信号：应用开发正从“定义UI”转向“定义意图与流转”。纯写单端界面的空间将被压缩，跨端协同与AI意图驱动编程才是未来3年初中级工程师的核心竞争力。文章用可落地的代码示例和作品集建议，帮你把趋势变成简历亮点，今天就能动手 🚀
2026-09-30 09:00:59
196
原创 豆包手机会泯然众人吗？从 AI 硬件浪潮看端侧大模型的落地逻辑
豆包手机传闻背后，藏着端侧大模型落地的真实逻辑。🤔 本文用30秒结论和关键证据告诉你：为什么纯AI手机大概率泯然众人，以及在校生和转行者如何抓住端云协同的技术红利，跑通本地模型、写出让面试官眼前一亮的作品集项目。
2026-09-30 06:30:53
148
原创 暴走5万步，我在IFA 2026看到了物理AI的未来：超1000家中国厂商的破局密码
暴走5万步逛完IFA 2026，我发现物理AI正从屏幕走进现实，超1000家中国厂商靠供应链优势抢先落地。🤖 文章拆解了“大模型+ROS 2+边缘硬件”的完整技术栈，并给在校生和转行者指出一条低成本切入路径：用几千块的开发板就能复现展会同款核心逻辑。
2026-09-29 15:03:53
362
原创 从韩国“全民AI计划”看普通开发者的破局：别卷模型，去卷工作流
韩国全民AI计划释放了一个信号：AI正从高精尖技术变成通用基础设施。对普通开发者而言，死磕模型原理已非最优解——面试官更关心你能否用AI工作流解决真实业务问题。本文教你用意图路由、工具调用与兜底机制，把“会调API”升级为简历上实打实的项目经验。💡 别做AI搬运工，做AI调度员。
2026-09-29 06:30:52
578
原创 实测豆包工作：连上飞书后，Agent 终于像个同事了
还在手动整理群消息、分类用户反馈？作者把 AI Agent 接入飞书后，它竟能自主读消息、调接口、写表格，还主动@你汇报趋势📊。本文用真实实测拆解事件驱动与 Function Calling 的落地路径，带你理解 AI 如何从“问答工具”进化为“靠谱同事”，并给出你周末就能动手的接入建议。
2026-09-28 15:03:52
407
原创 打破音频生态壁垒：用 WinAirCast 把 Windows 声音塞进 HomePod
想用 HomePod 听 Windows 的声音？🎧 本文带你拆解 WinAirCast 背后的硬核技术：mDNS 服务发现、RTP 低延迟传输与实时重采样，让跨生态音频串流延迟压到 100ms 内。不管你是想解放桌角音箱，还是为音视频开发积累面试谈资，这都是一份能写进作品集的实战案例。
2026-09-28 09:00:54
482
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人