专栏 / 0111 篇文章
多模态与视觉
从图像与视频理解，到视觉语言模型和图像生成。
博客专栏
博客以介绍为主，不求甚解：沿着不同专栏的话题，认识一个概念、方法或工具。
博客目录 →专栏 / 028 篇文章
大模型与训练优化
理解模型结构、学习方法，以及训练与推理中的工程取舍。
专栏 / 034 篇文章
具身智能与世界模型
围绕机器人如何感知、行动与预测，串起数据、模型和控制。
专栏 / 046 篇文章
开发与工具实践
记录网站搭建、网络原理，以及日常工具的使用经验。
最新文章
共 29 篇用卡卡字幕助手给口播加字幕，再强调关键词
记录 VideoCaptioner 的安装、自动识别与硬字幕导出流程，以及通过 ASS 局部样式将关键词放大、加粗的实践。
#VideoCaptioner#自动字幕#口播视频#ASS#视频制作
LoRA 与 QLoRA：用交互实验理解低秩更新与量化微调
拖动秩、逐步查看训练路径、对比显存账本，理解两个小矩阵如何完成微调，以及 QLoRA 怎样压缩冻结基座。
#大模型#模型微调#LoRA#QLoRA#显存优化
千问如何越跑越快：从 MHA、GQA 到混合注意力
沿着 Qwen 的公开结构变化，理解 KV cache 为什么拖慢生成，以及 GQA、Gated DeltaNet、MoE 与多 token 预测分别优化了什么。
#深度学习#Qwen#注意力机制#GQA#KV Cache#模型加速
容易混淆的 DINO：自监督 DINO/DINOv2、检测 DINO 与 Grounding DINO
从训练信号、架构与输出区分同名 DINO，理解 DINOv2 的自蒸馏、iBOT、骨干能力，以及它与 CLIP 和检测 DINO 的关系。
#计算机视觉#DINOv2#DINO#DETR#自监督学习#目标检测#CLIP
图像生成架构演进：从 VAE、GAN 到 DDPM、Stable Diffusion、DiT 与 Flow Matching
分清生成目标、像素与潜空间、U-Net 与 Transformer，系统理解 GAN、扩散模型、LDM、Stable Diffusion、DiT 与流匹配生成架构，并看清流匹配当前在图像、视频、音频、3D 和机器人上的落地位置。
#图像生成#GAN#DDPM#Latent Diffusion#Stable Diffusion#DiT#Flow Matching