<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[LittleNyima的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/LittleNyima</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; LittleNyima]]></copyright><item><title><![CDATA[从 Prompt 到智能体：LLM Agent 的演进逻辑与工程实践全解析]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/158660492</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/158660492</guid><author>LittleNyima</author><pubDate>Wed, 04 Mar 2026 19:05:21 +0800</pubDate><description><![CDATA[LLM Agent 演进与实践全解析]]></description><category></category></item><item><title><![CDATA[【笔记】大模型训练（一）单卡训练的分析与优化策略]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/151072829</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/151072829</guid><author>LittleNyima</author><pubDate>Mon, 01 Sep 2025 15:42:59 +0800</pubDate><description><![CDATA[本学习笔记是对的学习记录，该书涵盖分布式训练、并行技术以及一些优化策略。本文章是该系列笔记的第一篇，对应原书一章。在开始学习分布式训练前，不妨先快速回顾一下模型训练的基础知识。总体上来说可以用下图表示。图中第一行和最后一行的紫色框可以看作模型的不同层，黑色箭头表示了这些层的连接关系。在训练时，首先对输入进行前向传播（青色箭头），随后反向传播计算梯度（橙色箭头）。使用得到的梯度对模型的参数进行更新，可以得到优化过的模型。在模型训练过程中，是最重要的超参数之一，其影响模型训练的收敛速度以及吞吐量。]]></description><category></category></item><item><title><![CDATA[【笔记】扩散模型（一二）U-ViT｜Diffusion with Transformer]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/150997555</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/150997555</guid><author>LittleNyima</author><pubDate>Fri, 29 Aug 2025 22:09:55 +0800</pubDate><description><![CDATA[除了 U-ViT 之外，同期的 DiT 也把 transformer 架构引入到了扩散模型中，虽然感觉作者的实验思路非常简单粗暴，但最后的效果还是不错的。从后续的工作也可以看出，这类 transformer 架构的方法在某些任务上（例如视频生成）有取代 UNet 的趋势。本文原文以许可协议发布于笔记｜扩散模型（一二）U-ViT｜Diffusion with Transformer，转载请注明出处。]]></description><category></category></item><item><title><![CDATA[【笔记】扩散模型（一一）：Stable Diffusion XL 理论与实现]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/150503020</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/150503020</guid><author>LittleNyima</author><pubDate>Mon, 18 Aug 2025 22:34:15 +0800</pubDate><description><![CDATA[感觉 SDXL 是一个比较工程的工作，尤其是对模型架构的修改，比较大力出奇迹。除此之外感觉对数据的理解还是很重要的，除了修改模型架构之外的其他工作都是围绕着数据展开的，这也是比较值得学习的思路。深入浅出完整解析Stable Diffusion XL（SDXL）核心基础知识扩散模型（七）| SDXL本文原文以许可协议发布于笔记｜扩散模型（一一）：Stable Diffusion XL 理论与实现，转载请注明出处。]]></description><category></category></item><item><title><![CDATA[【代码解读】通义万相最新视频生成模型 Wan 2.2 实现解析]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/149725799</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/149725799</guid><author>LittleNyima</author><pubDate>Mon, 28 Jul 2025 21:23:50 +0800</pubDate><description><![CDATA[今天通义万相实验室开源了视频生成模型 Wan 2.2，相比于 Wan 2.1 模型来说，该模型的整体架构变为了混合专家架构，整体参数量为 27B，推理时激活参数量为 14B，在推理成本与 2.1 模型相近的条件下得到了更高参数量。在生成后期信噪比比较低的阶段，模型激活低噪模型。两个模型均为 14B 的模型，通过分阶段激活不同的模型，能够有效地控制推理时的资源消耗。高噪模型和低噪模型均复用了 Wan 2.1 的网络架构，其中高噪模型为从头训练，而低噪模型是在 Wan 2.1 权重的基础上进行后训练得到的。]]></description><category></category></item><item><title><![CDATA[【笔记】LoRA 理论与实现｜大模型轻量级微调]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/148469010</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/148469010</guid><author>LittleNyima</author><pubDate>Fri, 06 Jun 2025 10:19:02 +0800</pubDate><description><![CDATA[深入浅出理解 LoRA 原理与实现]]></description><category></category></item><item><title><![CDATA[【代码解读】阿里最新开源视频生成模型 Wan 2.1 实现解析]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/145872397</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/145872397</guid><author>LittleNyima</author><pubDate>Wed, 26 Feb 2025 11:47:46 +0800</pubDate><description><![CDATA[详解阿里最新开源视频生成模型 Wan 2.1 代码]]></description><category></category></item><item><title><![CDATA[【笔记】扩散模型（一〇）：Dreambooth 理论与实现｜主题驱动生成]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/145520327</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/145520327</guid><author>LittleNyima</author><pubDate>Sat, 08 Feb 2025 17:44:08 +0800</pubDate><description><![CDATA[详解主题驱动生成方法 Dreambooth]]></description><category></category></item><item><title><![CDATA[【笔记】扩散模型（九）：Imagen 理论与实现]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/143604392</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/143604392</guid><author>LittleNyima</author><pubDate>Thu, 07 Nov 2024 18:12:41 +0800</pubDate><description><![CDATA[详解 Google 文生图模型 Imagen]]></description><category></category></item><item><title><![CDATA[【笔记】扩散模型（八）：DALL-E 2 (unCLIP) 论文解读与代码实现]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/142352861</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/142352861</guid><author>LittleNyima</author><pubDate>Thu, 19 Sep 2024 10:15:36 +0800</pubDate><description><![CDATA[详解 DALL-E 2 论文与代码]]></description><category></category></item><item><title><![CDATA[【笔记】扩散模型（七）：Latent Diffusion Models（Stable Diffusion）论文解读与代码实现]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/142104587</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/142104587</guid><author>LittleNyima</author><pubDate>Tue, 10 Sep 2024 17:32:37 +0800</pubDate><description><![CDATA[详解Stable Diffusion论文与代码实现]]></description><category></category></item><item><title><![CDATA[【笔记】扩散模型（六）：DALL-E 理论解读与代码实现｜自回归文生图]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/142063294</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/142063294</guid><author>LittleNyima</author><pubDate>Mon, 09 Sep 2024 16:52:56 +0800</pubDate><description><![CDATA[详解 DALL-E 的理论与代码实现]]></description><category></category></item><item><title><![CDATA[【笔记】扩散模型（五）：Classifier-Free Guidance 理论推导与代码实现]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/140926442</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/140926442</guid><author>LittleNyima</author><pubDate>Mon, 05 Aug 2024 14:38:20 +0800</pubDate><description><![CDATA[讲解分析Classifier-Free Guidance 的原理与代码]]></description><category></category></item><item><title><![CDATA[【笔记】扩散模型（四）：Classifier Guidance 理论推导与代码实现]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/140870733</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/140870733</guid><author>LittleNyima</author><pubDate>Fri, 02 Aug 2024 13:55:59 +0800</pubDate><description><![CDATA[解析 classifier guidance 理论与代码实现]]></description><category></category></item><item><title><![CDATA[【笔记】Score-based Generative Models（二）：基于 SDE 的模型]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/140347876</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/140347876</guid><author>LittleNyima</author><pubDate>Thu, 11 Jul 2024 11:48:43 +0800</pubDate><description><![CDATA[介绍基于随机微分方程的分数模型]]></description><category></category></item><item><title><![CDATA[【笔记】Score-based Generative Models（一）：一文通览基础理论]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/140214080</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/140214080</guid><author>LittleNyima</author><pubDate>Fri, 05 Jul 2024 17:14:44 +0800</pubDate><description><![CDATA[一文通览 score-based models 基础理论]]></description><category></category></item><item><title><![CDATA[【笔记】扩散模型（三）：Improved DDPM 理论推导与代码实现]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/140102947</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/140102947</guid><author>LittleNyima</author><pubDate>Mon, 01 Jul 2024 15:46:40 +0800</pubDate><description><![CDATA[讲解并实现 Improved DDPM 模型]]></description><category></category></item><item><title><![CDATA[【备忘】Elsevier 论文 Highlights Latex 模板]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/139777112</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/139777112</guid><author>LittleNyima</author><pubDate>Tue, 18 Jun 2024 16:33:27 +0800</pubDate><description><![CDATA[投稿 Elsevier 论文的时候需要提交一个单独的 highlights 文档，在论文的 Latex 模板里其实有一个地方可以生成 highlights，但是最后得到的 PDF 并不是一个单独的文档，而是和论文正文连在一起的。]]></description><category></category></item><item><title><![CDATA[【笔记】扩散模型（二）：DDIM 理论推导与代码实现]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/139661712</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/139661712</guid><author>LittleNyima</author><pubDate>Thu, 13 Jun 2024 18:43:21 +0800</pubDate><description><![CDATA[从零开始实现 DDIM 采样和语义插值过程]]></description><category></category></item><item><title><![CDATA[【笔记】扩散模型（一）：DDPM 理论推导与代码实现]]></title><link>https://blog.youkuaiyun.com/LittleNyima/article/details/139620130</link><guid>https://blog.youkuaiyun.com/LittleNyima/article/details/139620130</guid><author>LittleNyima</author><pubDate>Wed, 12 Jun 2024 10:52:30 +0800</pubDate><description><![CDATA[从零开始实现扩散模型]]></description><category></category></item></channel></rss>