<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_62904883的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_62904883</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_62904883]]></copyright><item><title><![CDATA[从VAE到LeWM：具身智能世界模型学习路线与踩坑全记录]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/163346346</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/163346346</guid><author>qq_62904883</author><pubDate>Fri, 31 Jul 2026 16:47:56 +0800</pubDate><description><![CDATA[本文系统梳理了从VAE到LeWM的具身智能世界模型学习路径，揭示了核心矛盾在于"想象精度"与"表征崩溃"的博弈。作者通过复现VAE-MNIST生成实验，深入解析LeWM架构原理（含SIGReg防崩溃机制），并对比RAW-Dream、WoG等前沿模型特性。关键发现包括：VAE需KL Warm-up防后验坍塌、LeWM通过正态性约束保持表征区分度、规划必须采用MPC策略防误差累积。实践层面提出"5天必修+进阶选修"的学习路线，强调可视化验证和数学推导的重要性，为世界模型研究者提供了翔实的理论指导与工程避坑指南。]]></description><category></category></item><item><title><![CDATA[具身世界模型的三重进化：RAW-Dream、WoG 与 WALL-WM 对比解读]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/163283534</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/163283534</guid><author>qq_62904883</author><pubDate>Wed, 29 Jul 2026 00:17:11 +0800</pubDate><description><![CDATA[摘要： 本文对比了三种具身智能世界模型的创新范式：RAW-Dream通过任务无关的扩散模型生成高保真未来帧，为视觉-语言-动作策略提供无限训练数据；WoG在结构化条件空间中解耦场景变量，支持精细化干预与反事实推理；WALL-WM将状态与动作提升至事件层级，通过语义化抽象实现长程任务规划。三者分别从数据增强、解耦建模和分层抽象角度突破世界模型的边界，共同推动具身智能在开放环境中的想象、推理与规划能力。技术图示显示，这些方法在建模粒度、任务适配和动作表示上形成互补，未来融合多范式优势或将成为发展方向。]]></description><category></category></item><item><title><![CDATA[LeWM世界模型全解：只用两项损失，根治世界模型表征崩溃问题]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/163143518</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/163143518</guid><author>qq_62904883</author><pubDate>Fri, 24 Jul 2026 00:03:21 +0800</pubDate><description><![CDATA[LeWM世界模型：用两项损失根治表征崩溃问题 LeWM（Learned World Model）通过创新性SIGReg正则损失，从理论层面解决了自监督世界模型训练中的表征崩溃问题（即编码器将不同输入映射为相同常数特征）。相比现有方案（如启发式约束、多损失平衡或JEPA的EMA黑盒技巧），LeWM仅需预测损失+SIGReg正则两项损失，强制潜特征服从高维正态分布，避免退化。其优势包括： 理论完备：基于Cramér–Wold定理，通过随机投影正态检验约束特征分布； 训练稳定：超参数极少（仅投影数M和权重λ），无]]></description><category></category></item><item><title><![CDATA[世界模型前置基础：VAE原理详解与MNIST图像生成实战]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/163056577</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/163056577</guid><author>qq_62904883</author><pubDate>Tue, 21 Jul 2026 00:05:54 +0800</pubDate><description><![CDATA[本文系统讲解了变分自编码器（VAE）的原理与实现，重点包括： 核心原理：VAE通过概率化潜空间（高斯分布参数）和ELBO优化，解决了普通自编码器无法生成新样本的问题。关键创新是重参数化技巧和KL散度约束，使潜空间连续规整。 数学推导：通过Jensen不等式和似然分解两条路线，详细阐释ELBO下界的构建逻辑，明确重建损失与KL损失的作用。 工程实践：基于PyTorch实现U-Net风格的VAE，适配MNIST生成任务，包含模型架构设计、损失函数优化（如logits输出、KL warm-up）等实战技巧。 应用]]></description><category></category></item><item><title><![CDATA[CCswitch和Codex下载]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/162470683</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/162470683</guid><author>qq_62904883</author><pubDate>Thu, 02 Jul 2026 00:46:05 +0800</pubDate><description><![CDATA[本文介绍了Codex和CCswitch的下载与配置方法。Codex是OpenAI旗下的工具，但使用需连接ChatGPT或API key。CCswitch作为开源项目，可帮助管理多个AI编程工具的配置，支持国内API key接入。文章详细展示了CCswitch的下载步骤，并以deepseek为例演示了如何添加供应商和API key，包括启用本地路由等设置。最后指导用户重启Codex以完成配置，并提供了相关参考视频链接。全文通过图文结合的方式，为开发者提供了实用的工具配置指南。]]></description><category></category></item><item><title><![CDATA[Datawhale之春晚机器人跳舞复刻]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/158768487</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/158768487</guid><author>qq_62904883</author><pubDate>Sat, 07 Mar 2026 21:20:41 +0800</pubDate><description><![CDATA[本文摘要：Datawhale项目旨在将文本动作描述或视频转换为机器人动作文件（robot_motion*.pkl）并进行可视化展示。主要流程包括Prompt/Video输入、PromptHMR处理、SMPL-X转换、GMR生成最终机器人动作。提供服务器租用方案和详细环境部署指南，包含GMR和PromptHMR环境配置、模型权重下载等关键步骤。项目支持多人轨迹处理和多机器人MuJoCo录制，并给出常用命令示例。特别说明在4090显卡场景下的环境配置注意事项，以及模型权重下载的两种方案。]]></description><category></category></item><item><title><![CDATA[一文搞定 GitHub SSH Key：生成、配置、好处全攻略]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/158508185</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/158508185</guid><author>qq_62904883</author><pubDate>Sat, 28 Feb 2026 18:13:52 +0800</pubDate><description><![CDATA[本文详细介绍了如何配置GitHub SSH Key，实现免密安全认证。主要内容包括：SSH协议的四大优势（免密登录、安全性高、稳定省心、支持自动化）；Git身份配置步骤；检查本地SSH Key；生成RSA密钥对；添加密钥到SSH代理；复制公钥到GitHub；测试连接。配置完成后，开发者可通过SSH地址克隆仓库，实现push/pull全程免密操作。该方案显著提升Git使用效率，同时保障安全性，是开发者必备技能。]]></description><category></category></item><item><title><![CDATA[利用vscode时进行调试,即使设置justMyCode为False仍然失败,如何解决?]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/150471235</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/150471235</guid><author>qq_62904883</author><pubDate>Sun, 17 Aug 2025 19:09:34 +0800</pubDate><description><![CDATA[解决利用vscode进行代码调试时存在的问题]]></description><category></category></item><item><title><![CDATA[动手写MCP]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/149455633</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/149455633</guid><author>qq_62904883</author><pubDate>Sun, 20 Jul 2025 00:53:14 +0800</pubDate><description><![CDATA[学习如何使用MCP]]></description><category></category></item><item><title><![CDATA[lora微调qwen2.5-VL-Instruct模型]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/148923544</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/148923544</guid><author>qq_62904883</author><pubDate>Sat, 28 Jun 2025 00:17:32 +0800</pubDate><description><![CDATA[这篇文章介绍了使用LoRA方法微调Qwen2.5-VL-Instruct模型的过程。主要内容包括：1)环境配置，使用AutoDL服务器并安装必要的Python包；2)数据处理，将COCO 2014 Caption数据集转换为特定格式的CSV和JSON文件；3)模型训练，通过修改的train.py脚本进行微调，处理图像和文本输入。文章展示了数据处理的关键步骤截图，并提供了SwanLab监控工具的相关链接。整个过程涉及图像路径提取、对话格式转换和LoRA参数配置等技术细节。]]></description><category></category></item><item><title><![CDATA[Datawhale大语言模型-Transformer以及模型详细配置]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/146408117</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/146408117</guid><author>qq_62904883</author><pubDate>Thu, 20 Mar 2025 23:07:27 +0800</pubDate><description><![CDATA[跟着datawhale学习大语言模型]]></description><category></category></item><item><title><![CDATA[DataWhale大语言模型--GPT,DeepSeek模型介绍]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/146328267</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/146328267</guid><author>qq_62904883</author><pubDate>Mon, 17 Mar 2025 23:11:18 +0800</pubDate><description><![CDATA[跟着datawhale学习大模型!!!]]></description><category></category></item><item><title><![CDATA[DataWhale大语言模型-大模型技术基础]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/146286539</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/146286539</guid><author>qq_62904883</author><pubDate>Sat, 15 Mar 2025 23:21:46 +0800</pubDate><description><![CDATA[跟着datawhale学习大模型]]></description><category></category></item><item><title><![CDATA[DataWhale学习--大语言模型--模型发展历程]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/146214258</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/146214258</guid><author>qq_62904883</author><pubDate>Wed, 12 Mar 2025 21:26:13 +0800</pubDate><description><![CDATA[跟着datawhale一起学大语言模型]]></description><category></category></item><item><title><![CDATA[大模型应用指南]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/145759359</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/145759359</guid><author>qq_62904883</author><pubDate>Fri, 28 Feb 2025 16:23:34 +0800</pubDate><description><![CDATA[本文是简单介绍一些大语言模型的内容]]></description><category></category></item><item><title><![CDATA[Datawhale模型减肥秘籍Tasking之模型量化]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/143868691</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/143868691</guid><author>qq_62904883</author><pubDate>Mon, 18 Nov 2024 23:29:27 +0800</pubDate><description><![CDATA[学习模型量化的相关内容]]></description><category></category></item><item><title><![CDATA[Datawhale模型压缩技术Task2之模型剪枝]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/143808412</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/143808412</guid><author>qq_62904883</author><pubDate>Fri, 15 Nov 2024 23:00:47 +0800</pubDate><description><![CDATA[学习模型剪枝方面的内容]]></description><category></category></item><item><title><![CDATA[CUDA下载和安装]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/143522488</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/143522488</guid><author>qq_62904883</author><pubDate>Tue, 05 Nov 2024 21:10:57 +0800</pubDate><description><![CDATA[下载CUDA的相关操作,这里建议大家尽量选择直接下载到本地,这样会好一些]]></description><category></category></item><item><title><![CDATA[从零入门扣子Bot开发]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/143027229</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/143027229</guid><author>qq_62904883</author><pubDate>Sun, 27 Oct 2024 22:44:34 +0800</pubDate><description><![CDATA[利用字节跳动的扣子尝试设计图像流和工作流]]></description><category></category></item><item><title><![CDATA[论文精读之Label-Augmented Dataset Distillation (LADD)标签增强数据集蒸馏]]></title><link>https://blog.youkuaiyun.com/qq_62904883/article/details/142498058</link><guid>https://blog.youkuaiyun.com/qq_62904883/article/details/142498058</guid><author>qq_62904883</author><pubDate>Wed, 09 Oct 2024 20:47:20 +0800</pubDate><description><![CDATA[尝试精读一下基于标签增强数据集蒸馏的方法的论文]]></description><category></category></item></channel></rss>