<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[分享知识，拥抱变化]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_40882017</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_40882017]]></copyright><item><title><![CDATA[八叉树与BVH：空间加速结构的深度解析]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162967612</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162967612</guid><author>qq_40882017</author><pubDate>Fri, 17 Jul 2026 14:12:54 +0800</pubDate><description><![CDATA[本文系统对比了八叉树与BVH两种空间加速结构。八叉树通过递归空间划分实现高效体素管理和空间查询，松散八叉树解决了跨边界问题；BVH采用物体分组策略，SAH构建和动态Refit特性使其成为光线追踪首选。文章深入剖析了二者的数据结构、构建算法（包括Morton编码、SAH启发式等）、遍历策略及变体，并结合工程实践（如DXR管线中的BLAS/TLAS架构）说明应用场景。最后指出，八叉树适合规则空间管理，BVH在动态场景中更具优势，现代图形管线常根据需求混合使用这两种结构。文末附有权威参考文献，为开发者提供实用参考]]></description><category></category></item><item><title><![CDATA[渲染管线深度解析，应用程序阶段、几何阶段与光栅化阶段]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162908302</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162908302</guid><author>qq_40882017</author><pubDate>Wed, 15 Jul 2026 16:00:27 +0800</pubDate><description><![CDATA[本文系统解析实时渲染管线的三大核心阶段：应用程序阶段（CPU端负责场景管理、剔除与DrawCall提交）、几何阶段（GPU端处理顶点变换与投影裁剪）、光栅化阶段（GPU执行三角形离散化与像素着色）。文章详细阐述各阶段的输入输出、内部机制与性能瓶颈，涵盖从顶点着色器到片段着色的完整流程，并探讨现代GPU架构的演进趋势（如MeshShader与光线追踪融合）。通过剖析数据在管线中的流动过程，帮助开发者建立完整的渲染管线认知体系，为性能优化提供理论依据。适合具备图形学基础的开发者深入理解渲染底层原理。]]></description><category></category></item><item><title><![CDATA[Python 30 分钟速通：AI 开发用到的语法就够了]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162878333</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162878333</guid><author>qq_40882017</author><pubDate>Tue, 14 Jul 2026 17:01:01 +0800</pubDate><description><![CDATA[本文专为 AI/机器学习新手量身打造——不讲 Web 开发、不教爬虫脚本，只聚焦 NumPy、Pandas、PyTorch 中高频出现的 Python 语法。30 分钟覆盖七大核心模块：变量与 AI 训练超参、列表/元组/字典的切片与解包、训练循环与数据预处理的推导式、*args/**kwargs 传参、面向对象与 nn.Module 继承、pathlib 跨平台路径操作、类型注解实战。每个知识点都映射到真实的 AI 场景（如 for epoch in range(N) → 训练循环、__getitem__]]></description><category></category></item><item><title><![CDATA[AI 版权与风险：AI 绘画、文案、深度伪造合规问题]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162877465</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162877465</guid><author>qq_40882017</author><pubDate>Tue, 14 Jul 2026 16:27:54 +0800</pubDate><description><![CDATA[2023 年 1 月：三位艺术家起诉 Stability AI、Midjourney、DeviantArt，指控其未经许可使用艺术家作品训练模型2023 年 9 月：《权力的游戏》作者乔治·RR·马丁等 17 位作家起诉 OpenAI，指控 ChatGPT 使用盗版书籍训练2023 年 12 月：《纽约时报》起诉 OpenAI 和微软，指控数百万篇文章被用于训练 GPT 模型2024 年 2 月：美国版权局明确表示"纯 AI 生成内容不受版权保护"2024 年 6 月。]]></description><category></category></item><item><title><![CDATA[提示词入门：万能基础模板，零基础也能用好 AI]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162875572</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162875572</guid><author>qq_40882017</author><pubDate>Tue, 14 Jul 2026 15:17:16 +0800</pubDate><description><![CDATA[摘要： 本文提供了一套万能AI提示词模板，通过五个核心要素（角色、任务、约束、格式、示例）显著提升AI输出质量。文章剖析了提示词“翻车”的四大病根（模糊、无角色、无约束、一步到位），并通过对比案例展示模板的应用效果。模板适用于写作、编程、数据分析等六大高频场景，支持即插即用。进阶技巧包括思维链推理（CoT）、Few-shot示例和深度角色扮演。常见问题如输出过短、风格不符或AI“幻觉”，可通过追加约束、指定格式或示例快速修正。核心原则：精准的输入决定输出质量，结构化沟通是发挥AI潜力的关键。文末附速记卡，帮]]></description><category></category></item><item><title><![CDATA[算力科普：GPU 显存、NPU、量化原理，本地跑大模型硬件怎么选]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162866134</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162866134</guid><author>qq_40882017</author><pubDate>Tue, 14 Jul 2026 11:01:10 +0800</pubDate><description><![CDATA[【摘要】本文颠覆了&quot;跑大模型必须高价A100集群&quot;的认知，揭示普通设备也能流畅运行7B-13B开源模型的秘诀。关键点包括：1）显存是首要瓶颈，量化技术（INT4）可将模型体积压缩至1/4；2）带宽决定生成速度，RTX4090跑7B模型可达250token/s；3）Apple Silicon的统一内存架构突破显存限制，64GB Mac可运行70B模型。文章提供硬件选购指南：预算3千元可用M1 Mac跑7B模型，8千元配RTX4060Ti支持13B模型，并警告避免矿卡/旧架构等陷阱。最后强调]]></description><category></category></item><item><title><![CDATA[AI 术语：微调、推理、上下文、量化、Embedding 详解]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162865261</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162865261</guid><author>qq_40882017</author><pubDate>Tue, 14 Jul 2026 10:52:05 +0800</pubDate><description><![CDATA[Embedding、微调、推理、上下文、量化——这五个词是当前 AI 领域最高频的核心术语，但大多数人对其理解停留在"能认出、说不出"。本文不讲数学公式，用生活类比（地图坐标、清华毕业生入职、考场做题、便利贴记忆、照片压缩）逐一拆解每个术语的本质：Embedding 是把文本翻译成数字，让机器"理解"世界；Fine-tuning 是给通用模型喂私有数据，变领域专家；Inference 是模型上线后响应用户请求的计算过程；Context 是 AI 对话时的"临时记忆窗口"；Quantization 是用精度换]]></description><category></category></item><item><title><![CDATA[一张图看懂 AI、机器学习、深度学习、大模型四者关系]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162864469</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162864469</guid><author>qq_40882017</author><pubDate>Tue, 14 Jul 2026 10:43:43 +0800</pubDate><description><![CDATA[本文通过一张“同心圆”图谱清晰拆解了人工智能（AI）、机器学习（ML）、深度学习（DL）和大模型（LLM）的层级关系：AI是目标（模拟人类智能的学科），ML是实现AI的核心方法（数据驱动学习），DL是ML的革命性分支（深度神经网络），LLM则是DL在自然语言领域的最前沿应用（基于Transformer的大规模模型）。文章对比了四者的技术定义、演进逻辑与适用场景，强调其包含关系（LLM⊂DL⊂ML⊂AI）而非并列，并指出传统ML在结构化数据中仍不可替代。最后提供决策矩阵帮助读者根据任务需求选择合适技术层级，并]]></description><category></category></item><item><title><![CDATA[Unity SRP Batcher 与 GPU Instancing 深度对比：原理、区别、选型与实战]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162842022</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162842022</guid><author>qq_40882017</author><pubDate>Mon, 13 Jul 2026 14:30:30 +0800</pubDate><description><![CDATA[GPU Instancing 与 SRP Batcher 是 Unity 中两种互补但极易混淆的 GPU 渲染优化技术。GPU Instancing（Unity 5.4 引入）通过将同一 Mesh 和 Material 的多个实例合并为一次 Draw Call，让 GPU 并行处理海量重复物体，是植被、粒子等场景的首选；SRP Batcher（Unity 2019.3 引入）则另辟蹊径——它不减少 Draw Call 数量，而是通过在 GPU 端持久化缓存 Material 属性，将每次 SetPass C]]></description><category></category></item><item><title><![CDATA[Unity 批处理技术深度解析：SRP Batcher / 静态批处理 / 动态批处理 / GPU Instancing 原理、开销与实战选型]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162754455</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162754455</guid><author>qq_40882017</author><pubDate>Fri, 10 Jul 2026 15:26:26 +0800</pubDate><description><![CDATA[本文是一篇面向 Unity 开发者的批处理技术深度解析，系统覆盖 SRP Batcher、静态批处理、动态批处理、GPU Instancing 四大核心方案。

内容涵盖：

原理剖析：从渲染管线底层出发，逐项拆解每种技术的实现机制（CPU 合并顶点 / 构建时预合并 / GPU 并行绘制 / Material 属性持久化缓存）
开销分析：CPU 时间、额外内存、SetPass Call 开销的量化对比
兼容性矩阵：Built-in RP / URP / HDRP 三条管线的支持差异与互斥关系
完整代码示例]]></description><category></category></item><item><title><![CDATA[Unity 2021 GPU Usage 解析与图形性能分析]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162701309</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162701309</guid><author>qq_40882017</author><pubDate>Wed, 08 Jul 2026 17:02:25 +0800</pubDate><description><![CDATA[1.GPU Usage无数据：优先检查Graphics Jobs是否开启、图形API是否兼容、是否在编辑模式采集，90%以上该问题由Graphics Jobs开启导致；2.总耗时高但无单点热点：大概率为显存带宽瓶颈，优先排查纹理压缩、Mipmap配置；3.透明粒子耗时居高不下：典型填充率瓶颈，核心优化Overdraw与透明渲染层级；4.场景静态物体耗时过高：多为顶点瓶颈，优化模型面数与LOD配置。Unity 2021的GPU Usage模块是图形性能优化的核心工具，其核心价值在于。]]></description><category></category></item><item><title><![CDATA[垂直同步(V-Sync)深度解析：为什么影响帧率？]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162697880</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162697880</guid><author>qq_40882017</author><pubDate>Wed, 08 Jul 2026 15:01:39 +0800</pubDate><description><![CDATA[垂直同步（V-Sync）是解决画面撕裂的同步技术，但会限制帧率并可能造成卡顿。本文详细解析其工作原理：强制GPU帧率对齐显示器刷新率，当帧率低于刷新率时会出现&quot;对半掉帧&quot;。为解决普通垂直同步的缺陷，NVIDIA和AMD推出了三缓冲和自适应垂直同步技术。文章提供全平台设置教程（NVIDIA/AMD/Intel/Unity），并针对不同场景（电竞、3A游戏、低配电脑、高刷显示器）给出最优配置方案。常见误区包括认为开启垂直同步必然降帧、自适应同步无缺点等。总结指出垂直同步需根据场景选择，电竞建]]></description><category></category></item><item><title><![CDATA[Unity 性能优化实战：基于 CPU Usage 分析器的瓶颈定位与全链路调优方案]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162691505</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162691505</guid><author>qq_40882017</author><pubDate>Wed, 08 Jul 2026 14:14:06 +0800</pubDate><description><![CDATA[本文基于Unity2021 LTS版本，系统介绍了使用CPUUsage分析器进行性能优化的全流程方案。文章首先讲解了CPUUsage模块的底层原理和标准化抓帧配置方法，包括打包参数设置、Profiler面板优化和线程耗时结构解读。接着详细阐述了CPU瓶颈识别的三步标准化流程：区分瓶颈类型、定位高耗时模块、函数级溯源分析。针对五大核心优化模块（脚本、渲染、物理、UI、全局配置），提供了具体的优化方案和代码示例。最后强调了优化效果验证的标准流程和2021版本专属的避坑指南。全文形成了完整的&quot;环境配置→]]></description><category></category></item><item><title><![CDATA[【Unity官方规范】全维度性能优化（Profiler瓶颈定位+CPU/GPU/内存）]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162659138</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162659138</guid><author>qq_40882017</author><pubDate>Tue, 07 Jul 2026 11:19:42 +0800</pubDate><description><![CDATA[Unity性能优化标准化指南（150字摘要） 本文基于Unity官方规范，提供全流程性能优化方案，适用于PC/移动端/WebGL项目。核心步骤： 诊断瓶颈：使用Profiler精准定位CPU（DrawCall/GC）、GPU（纹理/过度绘制）、内存问题； CPU优化：静态/动态批处理、图集合并，减少DrawCall；禁用无效剔除，缓存高频API调用； GPU优化：压缩纹理、控制半透明层数，关闭移动端实时阴影，使用LOD降低渲染负载； 内存管理：对象池复用、避免字符串拼接，IL2CPP编译裁剪代码，分平台配置]]></description><category></category></item><item><title><![CDATA[Unity HybridCLR热更新原生C#热更原理、零损耗实战落地与生产级优化]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162543264</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162543264</guid><author>qq_40882017</author><pubDate>Fri, 03 Jul 2026 10:58:48 +0800</pubDate><description><![CDATA[本文聚焦Unity HybridCLR 原生 C# 热更新技术，作为 Unity 热更新终局方案干货教程，针对性解决传统 XLua 双语言割裂、ILRuntime 存在性能损耗的行业痛点。文章从底层原理出发，深度拆解 HybridCLR 混合 AOT+JIT 的原生零损耗运行机制，通过三大主流热更方案多维对比，明确其高性能、全 C# 语法支持、单语言开发、全平台合规的核心优势。同时提供生产级环境搭建、工程分层规范、DLL 打包编译、主包与热更层双向交互、增量热更全流程可落地代码，汇总版本兼容、内存管理、热更]]></description><category></category></item><item><title><![CDATA[Unity ILRuntime 热更新南：核心原理、生产级实战与全面避坑]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162542664</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162542664</guid><author>qq_40882017</author><pubDate>Fri, 03 Jul 2026 10:33:24 +0800</pubDate><description><![CDATA[文章摘要： 本文深度解析Unity的ILRuntime纯C#热更新方案，对比Lua与HybridCLR的优劣，提供生产级落地指南。ILRuntime通过自研IL虚拟机实现AOT平台动态加载DLL，支持全版本Unity，适合中小项目快速迭代。核心内容包括： 原理与优势：单C#开发、全平台兼容，但存在虚拟机性能损耗； 实战流程：DLL工程配置、双向交互规范、增量热更实现； 避坑指南：iOS合规性、内存泄漏、热更失效等高频问题解决方案； 性能优化：减少跨域调用、异步加载、GC策略调整； 选型建议：ILRuntim]]></description><category></category></item><item><title><![CDATA[Unity Lua热更新技术从原理到XLua生产级落地]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162542017</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162542017</guid><author>qq_40882017</author><pubDate>Fri, 03 Jul 2026 10:23:22 +0800</pubDate><description><![CDATA[本文是一篇Unity Lua热更新生产级教程，从底层原理、框架选型到实战落地全面解析。重点介绍了XLua作为主流框架的优势，包括动态绑定、泛型支持等特性。教程详细展示了XLua环境搭建、Lua虚拟机初始化、C#/Lua双向交互规范等核心内容，并提供了完整的脚本热更流程和版本管理方案。针对生产环境，总结了iOS合规、内存泄漏等常见问题的解决方案，并给出了性能优化建议。最后指出Lua热更适合中小型项目，而高性能需求项目建议采用HybridCLR方案。全文摒弃入门内容，直击生产痛点，为开发者提供可直接落地的技术方]]></description><category></category></item><item><title><![CDATA[Unity3D热更新技术原理、主流方案、实战落地与选型对比]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162541498</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162541498</guid><author>qq_40882017</author><pubDate>Fri, 03 Jul 2026 10:15:39 +0800</pubDate><description><![CDATA[Unity3D热更新技术全解析：从原理到实战 本文系统剖析Unity热更新技术体系，涵盖资源与代码热更两大核心模块。资源热更新部分对比AssetBundle与Addressables方案，详解AB包的版本校验、增量下载及缓存管理实战代码，分析原生方案轻量化与官方方案自动化管理的优劣。代码热更新深度解析三大主流方案：Lua方案（双语言开发，兼容性强但性能低）、ILRuntime（纯C#虚拟机，中等性能）及HybridCLR（原生IL2CPP拓展，性能无损全语法支持），并从开发语言、性能、兼容性等维度进行横向对]]></description><category></category></item><item><title><![CDATA[自动驾驶仿真专用自动曝光&白平衡ISP仿真Shader]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162308426</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162308426</guid><author>qq_40882017</author><pubDate>Thu, 25 Jun 2026 15:43:34 +0800</pubDate><description><![CDATA[本文针对自动驾驶仿真中图像与实车成像差异问题，提出了完整的车载相机自动曝光（AE）和白平衡（AWB）工业级解决方案。文章从理论模型、完整源码到工程落地，系统性地介绍了如何在Unity URP管线中实现符合车载ISP标准的动态曝光和白平衡效果。 核心内容包括：1）基于均值测光和灰度世界算法的工业物理模型；2）完整的URP Shader源码和C#后处理脚本；3）深度模块解析和参数标定指南；4）自动驾驶场景适配方案。该方案实现了动态曝光调节、自适应白平衡、HDR线性空间运算等关键特性，解决了常规美术Shader无]]></description><category></category></item><item><title><![CDATA[CMOS 高斯噪声后处理 Shader 完整实现与工业建模]]></title><link>https://blog.youkuaiyun.com/qq_40882017/article/details/162275559</link><guid>https://blog.youkuaiyun.com/qq_40882017/article/details/162275559</guid><author>qq_40882017</author><pubDate>Wed, 24 Jun 2026 17:33:03 +0800</pubDate><description><![CDATA[本文针对自动驾驶仿真中高保真CMOS噪声建模需求，提出一套完整的URP高斯噪声后处理Shader解决方案。文章首先分析了车载CMOS传感器的物理噪声特性，包括与亮度无关的基底高斯读出噪声和信号相关的高斯散粒噪声，建立了符合工业标准的数学模型。随后提供了可直接运行的HLSL Shader源码，采用PCG随机数生成器和Box-Muller变换实时计算高斯噪声，支持独立控制各噪声分量和RGB通道差异。配套的C#脚本实现一键式URP后处理注入，方便批量应用于多目相机系统。文章详细解析了Shader的模块设计、参数标]]></description><category></category></item></channel></rss>