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 篇视觉 Token 压缩：ToMe、FastV、EViT 与 DiffRate
从重要性剪枝、相似度合并到可学习压缩率，理解视觉 token 压缩的位置、训练要求，以及 FLOPs 降低为何不等于推理同比加速。
#多模态#视觉Token#模型加速#ToMe#FastV#EViT#DiffRate
VLA 的动作生成：离散 Token、扩散与 Flow Matching
从 OpenVLA、Octo 到 π0，理解动作量化、连续生成、动作分块，以及数据适配、微调和真实机器人部署中的关键边界。
#具身智能#VLA#OpenVLA#Octo#Flow Matching#机器人学习
多模态模型的视觉前端与对齐策略：CLIP、SigLIP、DINOv2、Q-Former 与 MLP
从视觉编码器到跨模态连接器，梳理图文预训练、视觉特征融合与语言模型对齐，并延伸到 VLA 的离散动作和连续动作生成。
#多模态模型#CLIP#SigLIP#DINOv2#Q-Former#VLA
ONNX 和 TensorRT：模型部署加速的 1 分钟速通
从 PyTorch 导出 ONNX，到在 NVIDIA GPU 上构建 TensorRT engine，梳理模型转换、图优化、精度选择、动态形状与结果验证的完整链路。
#模型部署#ONNX#TensorRT#推理加速#PyTorch#Jetson
视频时序建模：从 C3D、I3D、TSM 到 TimeSformer 与 VideoMAE
从三维卷积、权重膨胀、时序移位到分解注意力和掩码预训练，理解五种经典视频建模方法的机制、边界与工程取舍。
#视频理解#时序建模#C3D#I3D#TSM#TimeSformer#VideoMAE