<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ronlym的博客]]></title><description><![CDATA[在2021年12月13日这一天决定运营一个播客]]></description><link>https://blog.youkuaiyun.com/ronlym</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ronlym]]></copyright><item><title><![CDATA[【元宝搜索开发者征文大赛】元宝搜索拯救健忘星人]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/169931973</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/169931973</guid><author>ronlym</author><pubDate>Tue, 03 Nov 2026 10:58:56 +0800</pubDate><description><![CDATA[本文分享了利用元宝搜索解决“记忆模糊却无法准确检索”问题的实践。通过将模糊记忆拆解为多个独立线索，避免预设片名干扰，分步查询关键情节（如聚餐停电、登船循环），结合并行请求与结果比对，最终精准定位到《彗星来的那一夜》和《恐怖游轮》等作品。过程中强调保留用户原意的不确定性，避免信息误补，提升检索准确性，展现了大模型在记忆恢复中的实用价值。]]></description><category></category></item><item><title><![CDATA[NemoClaw 上手：部署、启动与策略调试]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/163222029</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/163222029</guid><author>ronlym</author><pubDate>Sun, 26 Jul 2026 23:44:24 +0800</pubDate><description><![CDATA[本文是基于的征文，体验产品为。我实际完成了 v0.0.95 开源代码的 CLI 构建、资源检查、Agent 枚举和未 onboarding 状态检查；完整安装向导、Ready 状态、网络拒绝与 TUI 审批画面，则依据同版本公开源码字段和当前官方操作流程重绘。如果只是让 AI 回答一个问题，浏览器里的对话框已经够用。这正是我对 NemoClaw 最感兴趣的地方。它没有试图再造一个“更会聊天”的 Agent，而是把安装、沙箱、凭据代理、网络策略和日常运维组合成一套开放的参考栈。]]></description><category></category></item><item><title><![CDATA[看完 Alpamayo 的施工区案例，我想起了园区里的那些车]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/162660214</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/162660214</guid><author>ronlym</author><pubDate>Tue, 07 Jul 2026 14:01:42 +0800</pubDate><description><![CDATA[园区物流项目做久了，会发现视频告警最不缺的就是“异常”。真正费时间的，是弄清楚异常为什么发生，以及接下来该怎么处理。一段十几秒的行车视频里，可能同时有施工锥、作业车辆、行人和正在减速的前车。普通视觉模型可以把它们一一框出来，却未必能回答那个更接近业务的问题：这些东西和当前车辆有什么关系？此刻应该继续走、先减速，还是向旁边让一点？]]></description><category></category></item><item><title><![CDATA[【TextIn大模型加速器 + 火山引擎】我发现了文档解析神器！-- 用专业解析提升复杂文档问答效果]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/156341807</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/156341807</guid><author>ronlym</author><pubDate>Sun, 28 Dec 2025 00:05:37 +0800</pubDate><description><![CDATA[摘要： 本文探讨了如何通过TextIn文档解析工具结合Coze平台构建高效知识库应用。实验对比显示，TextIn在解析复杂格式文档（含表格、图片、多栏排版等）时表现优异，能显著提升Coze知识库的问答效果。传统解析方案存在格式兼容性差、复杂元素丢失等问题，而TextIn通过结构化输出和精准解析，使下游任务准确率提升35%-70%。研究证明，优化文档预处理质量是突破AI应用效果瓶颈的关键路径。]]></description><category></category></item><item><title><![CDATA[DriveOS ⼊⻔到进阶：把图形显示、PVA 和 NvStreams 串成⼀条顺畅的⻋载数据⾼速路]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/155276510</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/155276510</guid><author>ronlym</author><pubDate>Wed, 26 Nov 2025 16:31:44 +0800</pubDate><description><![CDATA[DriveOS 可以理解为⻋载智能计算的⼀层“地基”，它把图形显示、传感器输⼊、加速器调度、数据流与同步、安全和调试⼯具放在⼀套经过⻋规约束的框架⾥，⾯向 Linux 或 QNX 应⽤场景提供统⼀接⼝。对团队的直接价值是让“从相机到推理再到上屏”的路径更可控：资源可预留、内存可共享、同步可验证，适合把感知、DNN 推理、座舱显示这些强实时模块跑在⼀台 SoC 上⽽不互相拖累。]]></description><category></category></item><item><title><![CDATA[用三段话看透产品口碑：基于 lazyllm 的“评论洞察助手”]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/152016529</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/152016529</guid><author>ronlym</author><pubDate>Wed, 24 Sep 2025 01:49:42 +0800</pubDate><description><![CDATA[摘要： “评论洞察助手”是一款轻量化CLI工具，帮助产品与运营团队快速分析用户评论。通过条形图统计评分分布与高频词，并生成三段式口语化点评（整体口碑、亮点、改进建议）。支持两种模式：Top模式（无需API密钥，本地统计）和Summary模式（调用LLM生成深度分析）。核心功能包括自动识别可用AI平台、文本可视化展示及结构化输出，旨在1分钟内提炼用户反馈核心信息，辅助决策。示例命令可直接运行，适用于CSV格式的评论数据快速分析。]]></description><category></category></item><item><title><![CDATA[用驭码 CodeRider 2.0 中的 Loom 如何？使用体验分享]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/148607679</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/148607679</guid><author>ronlym</author><pubDate>Thu, 12 Jun 2025 15:02:32 +0800</pubDate><description><![CDATA[极狐GitLab推出的CodeRider 2.0 AI开发辅助工具深度融合了大模型与DevOps优势，其中Loom模式尤为亮眼。该模式采用Agent机制，具备任务拆解、多模态处理和工具链调用能力，能快速实现从需求到代码的完整工作流。实测显示，Loom在5分钟内即可生成功能完整的ToDo程序，并能修复bug和转换技术栈（如转为微信小程序）。CodeRider还提供对话模式（Chat）和GitLab工作流集成，支持自定义提示词和知识库挂载。其云端模型响应速度极快，代码生成质量高，对模糊需求的解析能力突出，产品细]]></description><category></category></item><item><title><![CDATA[代码能成为⽣命护栏吗？⼀起来读 NVIDIA 为智能汽车发布的安全⽩⽪书]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/147617085</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/147617085</guid><author>ronlym</author><pubDate>Tue, 29 Apr 2025 21:27:13 +0800</pubDate><description><![CDATA[​		首先写在前面，读完这份报告，我最大的感受是：智能汽车的安全问题，不是靠某个“黑科技”就能解决的，而是像织毛衣一样，需要一针一线的细致功夫。我每天上下班在堵车时打开的辅助驾驶，偶尔在高速行驶时面对突然出现在前方的障碍做的自动避让，或许这些就是技术的温度——用一行行代码、一次次测试，默默守护方向盘后的每一个生命。这样训练出来的系统，遇到没见过的场景时，不是死记硬背，而是真正理解背后的规律。高级辅助驾驶的安全不是一家公司能搞定的，就像拼乐高一样，需要无数人贡献自己的那块积木。白皮书：自动驾驶安全报告。]]></description><category></category></item><item><title><![CDATA[使用 Nvidia DOCA 制作 DPA All-to-all Application]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/146205636</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/146205636</guid><author>ronlym</author><pubDate>Wed, 12 Mar 2025 15:38:00 +0800</pubDate><description><![CDATA[概念理解障碍：DOCA和DPU作为相对较新的技术，其专业术语和抽象概念初期难以消化。例如，理解DPU如何与CPU、GPU协同工作，以及DOCA框架下的资源管理方式，需要大量的背景知识和实践经验。技术选型困难：在构思DPU加速样例时，选择合适的应用场景和优化点是一个挑战。我们需要深入分析不同的数据处理任务，以确定哪些任务最适合由DPU来加速。资源限制：在实验过程中，我们注意到DPU资源的配置和管理需要一定的专业知识。如何高效利用DPU资源，避免资源浪费，是我们需要解决的问题。生态系统支持。]]></description><category></category></item><item><title><![CDATA[体验 Nvidia Isaac Sim 笔记]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/143951717</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/143951717</guid><author>ronlym</author><pubDate>Thu, 21 Nov 2024 18:10:46 +0800</pubDate><description><![CDATA[Isaac Sim的开发者社区相对活跃，遇到技术问题时通常能找到解决方案。我对Isaac Sim的更新迭代频率感到满意，希望未来能够继续保持。整体使用体验•	GPU加速仿真：整体体验良好，仿真速度快，能够处理复杂的场景。•	Pytorch框架集成：集成过程需要一定的配置，但一旦设置完成，使用起来非常高效功能改进建议•	GPU加速功能：建议增加更多的GPU优化选项，以适应不同的硬件配置。•	Pytorch集成：建议提供更多的教程和示例，帮助新用户更快地上手。]]></description><category></category></item><item><title><![CDATA[SCNet「AI跃升季」·谁是下一个“AI”跃人？项目体验]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/142955895</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/142955895</guid><author>ronlym</author><pubDate>Tue, 15 Oct 2024 16:13:25 +0800</pubDate><description><![CDATA[算力为重要资源的时代已经来了，看得出国家超算互联网尽最大的力，想将国产算力和AI推广到更远的地方。对AI这一波感兴趣的朋友们抓紧时间上车吧，算力不够用也不怕，SCNET 上有很多活动可以白得算力（听说群里天天还有算力券的抽奖，积少成多，算力根本不用愁！）也可以看看这个AI体验的活动【谁是下一个“AI”跃人 -AI体验推介活动，赢取千元算力券！]]></description><category></category></item><item><title><![CDATA[昇思25天学习打卡营第25天|LSTM+CRF序列标注]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/140826914</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/140826914</guid><author>ronlym</author><pubDate>Wed, 31 Jul 2024 16:48:15 +0800</pubDate><description><![CDATA[序列标注指给定输入序列，给序列中每个Token进行标注标签的过程。序列标注问题通常用于从文本中进行信息抽取，包括分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。输入序列清华大学座落于首都北京输出标注BIIIOOOOOBI如上表所示，清华大学和北京是地名，需要将其识别，我们对每个输入的单词预测其标签，最后根据标签来识别实体。]]></description><category></category></item><item><title><![CDATA[昇思25天学习打卡营第24天|Pix2Pix实现图像转换]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/140826804</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/140826804</guid><author>ronlym</author><pubDate>Wed, 31 Jul 2024 16:45:01 +0800</pubDate><description><![CDATA[Pix2Pix是基于条件生成对抗网络（cGAN, Condition Generative Adversarial Networks ）实现的一种深度学习图像转换模型，该模型是由Phillip Isola等作者在2017年CVPR上提出的，可以实现语义/标签到真实图片、灰度图到彩色图、航空图到地图、白天到黑夜、线稿图到实物图的转换。和。传统上，尽管此类任务的目标都是相同的从像素预测像素，但每项都是用单独的专用机器来处理的。]]></description><category></category></item><item><title><![CDATA[昇思25天学习打卡营第23天|GAN图像生成]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/140826700</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/140826700</guid><author>ronlym</author><pubDate>Wed, 31 Jul 2024 16:42:37 +0800</pubDate><description><![CDATA[生成式对抗网络(Generative Adversarial Networks，GAN)是一种生成式机器学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。最初，GAN由Ian J. Goodfellow于2014年发明，并在论文生成器的任务是生成看起来像训练图像的“假”图像；判别器需要判断从生成器输出的图像是真实的训练图像还是虚假的图像。GAN通过设计生成模型和判别模型这两个模块，使其互相博弈学习产生了相当好的输出。GAN模型的核心在于提出了通过对抗过程来估计生成模型这一全新框架。]]></description><category></category></item><item><title><![CDATA[昇思25天学习打卡营第22天|Diffusion扩散模型]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/140826578</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/140826578</guid><author>ronlym</author><pubDate>Wed, 31 Jul 2024 16:39:14 +0800</pubDate><description><![CDATA[如果将Diffusion与其他生成模型（如Normalizing Flows、GAN或VAE）进行比较，它并没有那么复杂，它们都将噪声从一些简单分布转换为数据样本，Diffusion也是从纯噪声开始通过一个神经网络学习逐步去噪，最终得到一个实际图像。Diffusion对于图像的处理包括以下两个过程：我们选择的固定（或预定义）正向扩散过程qqq：它逐渐将高斯噪声添加到图像中，直到最终得到纯噪声一个学习的反向去噪的扩散过程pθp_\thetapθ​。]]></description><category></category></item><item><title><![CDATA[昇思25天学习打卡营第21天|DCGAN生成漫画头像]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/140826490</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/140826490</guid><author>ronlym</author><pubDate>Wed, 31 Jul 2024 16:35:57 +0800</pubDate><description><![CDATA[判别器由分层的卷积层、BatchNorm层和LeakyReLU激活层组成。输入是3x64x64的图像，输出是该图像为真图像的概率。生成器则是由转置卷积层、BatchNorm层和ReLU激活层组成。不同之处在于，DCGAN会分别在判别器和生成器中使用卷积和转置卷积层。由于数据是图像，这一过程也会创建与真实图像大小相同的 RGB 图像。当处理完数据后，就可以来进行网络的搭建了。，输出是3x64x64的RGB图像。与通过生成器传播的特征图的大小有关，转置卷积层来完成的，每个层都与。是输出图像中的通道数。]]></description><category></category></item><item><title><![CDATA[昇思25天学习打卡营第20天|CycleGAN图像风格迁移互换]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/140826400</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/140826400</guid><author>ronlym</author><pubDate>Wed, 31 Jul 2024 16:33:06 +0800</pubDate><description><![CDATA[CycleGAN(Cycle Generative Adversarial Network) 即循环对抗生成网络，来自论文。该模型实现了一种在没有配对示例的情况下学习将图像从源域 X 转换到目标域 Y 的方法。该模型一个重要应用领域是域迁移(Domain Adaptation)，可以通俗地理解为图像风格迁移。]]></description><category></category></item><item><title><![CDATA[昇思25天学习打卡营第19天|基于MobileNetv2的垃圾分类函数]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/140826177</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/140826177</guid><author>ronlym</author><pubDate>Wed, 31 Jul 2024 16:25:50 +0800</pubDate><description><![CDATA[MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable Convolution）的思想在准确率小幅度降低的前提下，大大减小了模型参数与运算量。图中Inverted residual block结构是先使用1x1卷积进行升维，然后使用3x3的DepthWise卷积，最后使用1x1的卷积进行降维，与Residual block结构相反。]]></description><category></category></item><item><title><![CDATA[昇思25天学习打卡营第18天|基于MindSpore的红酒分类实验]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/140826076</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/140826076</guid><author>ronlym</author><pubDate>Wed, 31 Jul 2024 16:23:57 +0800</pubDate><description><![CDATA[K近邻算法（K-Nearest-Neighbor, KNN）是一种用于分类和回归的非参数统计方法，最初由 Cover和Hart于1968年提出(Cover等人,1967)，是机器学习最基础的算法之一。它正是基于以上思想：要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k个样本，统计出这些样本的类别并进行投票，票数最多的那个类就是分类的结果。KNN的三个基本要素：K值，一个样本的分类是由K个邻居的“多数表决”确定的。K值越小，容易受噪声影响，反之，会使类别之间的界限变得模糊。]]></description><category></category></item><item><title><![CDATA[昇思25天学习打卡营第17天|基于MindNLP+MusicGen生成自己的个性化音乐]]></title><link>https://blog.youkuaiyun.com/ronlym/article/details/140824190</link><guid>https://blog.youkuaiyun.com/ronlym/article/details/140824190</guid><author>ronlym</author><pubDate>Wed, 31 Jul 2024 15:26:29 +0800</pubDate><description><![CDATA[与传统方法不同，MusicGen采用单个stage的Transformer LM结合高效的token交织模式，取消了多层级的多个模型结构，例如分层或上采样，这使得MusicGen能够生成单声道和立体声的高质量音乐样本，同时提供更好的生成输出控制。MusicGen不仅能够生成符合文本描述的音乐，还能够通过旋律条件控制生成的音调结构。MusicGen是来自Meta AI的Jade Copet等人提出的基于单个语言模型（LM）的音乐生成模型，能够根据文本描述或音频提示生成高质量的音乐样本，相关研究成果参考论文《]]></description><category></category></item></channel></rss>