- 博客(196)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 FlexGlue：图像匹配学会了“拒绝“——从稀疏到稠密的视觉对应新范式
FlexGlue 是首个融合“稀疏-稠密”匹配与“拒绝错误配对”的神经网络，突破传统方法在速度与精度间的权衡。它通过非对称的“稀疏到稠密”匹配机制，让关键点在稠密特征空间中精准定位，同时具备识别不匹配图像的能力，从根本上解决误匹配难题。其基于DINOv3-ConvNeXt的特征提取与双向Transformer交叉注意力架构，实现高效、鲁棒的跨视图对应，显著提升三维重建等任务的可靠性。
2026-11-07 20:21:15
264
原创 一个帮你点开关的脚本，凭什么干掉手机广告？
该项目通过USB调试与无障碍服务，模拟真人操作，自动关闭安卓手机中分散在系统、应用、浏览器等多处的47个广告开关。核心技术为读取屏幕UI树（uiautomator2），识别并点击开关，绕过网络拦截、APK修改和Root等复杂方案。针对不同品牌型号设置路径差异，采用分机型脚本+安全模式策略，确保兼容性与安全性。项目以极低门槛实现“一键去广告”，兼顾实用性与可维护性，展现开源协作的强大价值。
2026-10-28 16:37:57
283
原创 DS Bot：让 AI 拥有「数字团队协作」的插件架构
DS Bot 解决了AI助手“金鱼记忆”与单体协作的痛点，通过本地化、去中心化的架构，实现多AI团队的持久记忆与高效协作。它以深度思考的“长寿命Bot”替代临时代理，结合智能“Context Steward”上下文管理，支持透明可编辑的三层记忆系统，让AI如正式员工般持续工作。作为DeepSeek Harness插件，其模块化设计与本地优先策略，在隐私性、可控性与扩展性上超越云端方案，为开发者提供更安全、高效的智能协作体验。
2026-10-27 21:48:52
377
原创 DeepInfer: DeepSeek 大规模生产推理引擎的创新
DeepInfer是DeepSeek开源的高性能推理框架，针对大模型生产部署中的五大痛点——调度开销、推测解码粗糙、长上下文成本高、批次敏感性与MoE负载不均——提出六大创新。其核心突破包括：零开销异步调度器（ZOS），通过乐观推进与异步调度实现CPU/GPU并行；基于置信度的DSpark推测解码，动态调整草稿长度以提升命中率；滑动窗口注意力优化长上下文处理；批次一致性保障机制；智能负载均衡策略应对MoE热点问题；以及多卡投票协同机制确保分布式一致性。全链路深度优化，显著提升SM100 GPU与昇腾950
2026-10-21 11:24:38
387
原创 Harness²：Google 如何让 AI 自己“调教“AI——递归代理优化框架深度拆解
Harness²提出一种无需修改模型权重的递归代理优化框架，通过“Propose-Probe-Compose”三步对比优化机制，在无标准答案的开放世界中自动提升Agent表现。其核心创新在于：分解Harness为8个可编辑组件，利用行为对比而非结果对错进行优化，并支持并行与串行递归，实现跨任务经验复用。实验显示，仅单步优化即在WorkBuddy-Bench等基准上提升11.5分，性能随预算单调上升，显著超越基线。
2026-10-20 21:30:08
381
原创 读读论文: Cache-to-Cache让大模型不再“说人话“直接用“脑电波“交流
清华大学团队提出Cache-to-Cache（C2C）框架，实现大模型间直接通过KV-Cache进行语义通信，跳过低效的文本中介。相比传统文本通信，C2C在准确率上提升3~5%，推理速度翻倍。核心创新在于残差融合机制与动态门控，结合投影、动态加权与可学习门控模块，实现跨模型、跨层的高效对齐。训练仅优化Fuser模块，保持主模型冻结，兼顾性能与效率。
2026-10-18 20:41:11
221
原创 MoSE3：让每个像素都拥有自己的“灵魂“——从单目视频预测世界空间SE(3)运动
在深入MoSE3之前，让我们先理解SE(3)到底是什么。SE(3)，即特殊欧几里得群，描述的是三维空间中的刚体运动。旋转R：一个3×3的旋转矩阵，描述物体如何转动平移t：一个3维向量，描述物体如何移动但这里有个关键：SE(3)描述的是刚体运动。这意味着一个刚体上的所有点都共享同一个R和t。这正是MoSE3的精髓——它不仅要预测运动，还要预测哪些点属于同一个刚体。类比理解：想象一个交响乐团。传统的点追踪只记录了每个乐手的位置变化（“小提琴手从舞台左边移到了右边”）。
2026-10-16 12:47:27
343
原创 ActionPlan：让AI学会“走一步看十步“——帧级动作规划如何革新实时人体动作生成
ActionPlan提出“帧级动作规划”，通过为每帧生成语义锚点（文本潜在变量），实现高质量、实时流式人体动作生成。其双流架构结合因果时序自编码器与异构噪声调度，支持5.25倍速实时生成，同时零样本完成动作编辑与中间帧补全，显著提升生成效率与质量。
2026-10-14 19:42:18
331
原创 YOLO Vision Studio：当 YOLO 遇上「诚实计数」—— 一个开源视觉 AI 应用的架构创新全解析
该项目基于YOLO系列模型与Streamlit构建了高精度、可信赖的视频目标检测跟踪系统——YOLO Vision Studio。核心创新在于“诚实计数”机制，通过In Frame、Walked Past、Churn三维度指标精准区分实时检测、真实通行人数与跟踪碎片化程度，有效抑制误检干扰。采用推理-显示分离架构，实现78fps推理与30fps流畅展示的平衡，结合帧节流、压缩优化与内存回收，显著提升性能。同时通过Session隔离缓存设计，保障多用户并发下的跟踪状态独立性，避免ID污染。支持本地/摄像头/R
2026-10-08 20:59:53
378
原创 PICO：单张图像重建 HOI人与物体交互
PICO提出首个双向接触对应的数据集PICO-db与三阶段优化方法PICO-fit，通过Contact Axis实现高效接触标注（仅需2次点击），构建44类物体的精确3D人体-物体交互重建框架。该方法在单张RGB图像下，结合接触约束、轮廓匹配与碰撞惩罚，分阶段优化物体位姿与人体姿态，显著提升接触自然性与几何精度，突破了传统方法对预定义类别的依赖与穿透问题。
2026-10-05 11:19:11
300
原创 从一段手机视频到 3D 人体白模：SAM2 + GVHMR 实践
本项目仅用手机视频与CPU电脑，通过SAM2分割、深度估计、3D高斯泼溅与GVHMR人体重建，实现从二维视频到可360°旋转的SMPLX白模动画的全流程生成。无需专业设备，突破单目视频的三维还原瓶颈，为数字人创建提供低成本新范式。
2026-10-01 09:52:47
386
原创 Colibrì：用蜂鸟的胃口养活 744B 参数的巨兽
Colibrì突破大模型推理瓶颈，通过AI Memory Multitiering实现超大MoE模型在消费级硬件运行。基于MoE稀疏性，将参数分层存放于VRAM、RAM与NVMe SSD，结合JIT权重预取、批处理联合、异步I/O与路由器前瞻预取，显著降低磁盘等待。支持多后端异构执行，保证位级精确。学习缓存机制使模型越用越快，实测解码速度达1.83 tok/s（M5 Max），专家命中率提升至66%，真正实现“精准推理，智能放置”。
2026-09-29 20:14:19
251
原创 眨眼检测——OCEC 112KB 模型重新定义实时眼部状态分类
OCEC（Open Closed Eyes Classification）是一个超轻量级的眼部开合二分类模型系列，最小变体仅 112KB，CPU 推理延迟低至 0.16ms，F1 高达 0.9924。它能以超过 6000 FPS 的速度判断一只眼睛是睁开还是闭合，为眨眼检测、疲劳驾驶预警、人机交互等场景提供了前所未有的实时性。
2026-09-28 11:40:38
469
1
原创 Qwen3-0.6B上用二值打分替代文本生成的决策革命
LLM2Jev提出一种高效决策框架，通过将复杂任务转化为“是/否”判断题，实现端到端无文本生成的推理。其核心创新在于：利用二值问题编译器将动作选择、评分等任务统一为独立的二元判断，仅依赖一次prefill forward pass读取yes/no logits，避免自回归生成的延迟与不可靠性。结合L1归一化与概率加权，模型在118步内完成机械臂抓取任务，速度与可靠性显著提升，为大模型在实时控制场景中的应用提供了新范式。
2026-09-24 21:06:52
342
原创 166,700 个真实果蝇神经元在浏览器里玩 Flappy Bird
该项目首次在浏览器中实时模拟完整果蝇大脑连接组（16.7万神经元、2500万突触），通过生物合理的感官编码将Flappy Bird游戏转化为果蝇可感知的神经信号，利用LIF模型与稀疏矩阵压缩技术，在Web Worker中以50Hz频率运行神经活动，并仅允许读出层学习，探索真实生物神经网络在无训练条件下适应新任务的能力。
2026-09-23 21:06:40
291
原创 RelateAnything：53M参数，20ms推理，开放词汇场景图生成
RelateAnything证明了场景图生成不需要被锁死在固定的谓词表里。通过把词汇表变成输入、把对象类别标签从推理路径中移除、用可微分的空间池化替代硬切割、以及构建一个真正中立的评估基准，它在53M参数的约束下达到了开放词汇关系预测的新SOTA。更重要的是，它的工程实践值得学习：从CPU调度瓶颈的精确测量，到ONNX导出的全链路可追踪性，到Platt校准让阈值真正有意义——每一个细节都是为了让模型从论文走向产品。论文代码模型数据评估。
2026-09-22 22:32:00
234
原创 Laya：比jev更激进的决策模型出来打擂台了
Laya模型以33毫秒完成决策，比GPT-4快50倍，突破传统大模型“生成文本”范式，专注高效决策。它通过三种类型化原语——choice（分类）、score（评分）、noul（是/否判断），实现零幻觉、结构化输出，彻底消除“决策税”。非自回归架构仅需一次前向传播，支持45种语言，开源可自托管，显著降低时间与成本，适用于邮件分诊、风险评估等90%业务场景，重新定义AI决策效率。
2026-09-21 20:54:45
342
原创 CVXPY 打造实时自动驾驶控制器：迭代 MPC 的优雅实践
本项目基于CVXPY实现迭代模型预测控制（iMPC），通过迭代线性化将非线性车辆动力学转化为凸二次规划问题，结合DPP参数化与Clarabel求解器，每步求解仅需5~15ms。创新点包括：沿/横向误差分解、半平面避障与Slack软约束、延迟补偿双线程架构，实现高精度路径跟踪、实时避障与全局最优控制，全程稳定可靠，适用于自动驾驶实时决策场景。
2026-09-20 17:32:50
388
原创 NanoJev：当 0.6B 小模型学会“直觉判断“——不生成一个字，直接输出概率分布的决策革命
NanoJev基于Qwen3-0.6B，通过移除语言模型头、引入零输出决策头与共享前缀树注意力，实现一次前向传播即输出多方向概率分布。其不生成文本，直接以标量头输出“是否可行”的概率，支持动态候选集，推理速度极快。在50×50迷宫中244步通关，贪吃蛇吃到27个食物，性能媲美TypeSafe Jev，体积仅为后者的零头，标志着大模型从“语言生成”向“高效决策”的范式跃迁。
2026-09-19 21:18:50
620
原创 SSLA-Det：用空间稀疏线性注意力打破事件相机的「精度-效率」魔咒
本文提出SSLA框架，解决事件相机异步检测中精度与效率难以兼顾的难题。通过空间稀疏线性注意力，仅在活跃像素上计算，并利用线性注意力实现训练并行；结合混合空间状态分解，以局部相对位置建模精细空间特征。三阶段Scatter-Compute-Gather设计支持高效并行训练，使每事件计算量降低20倍以上，在Gen1和N-Caltech101数据集上分别达0.375和0.515 mAP，显著提升低延迟事件检测性能。
2026-09-15 11:24:05
138
原创 AI Agent 装上“大脑海马体“：MemoryHub × DSH 深度集成实战
本文提出并实现了一套四层记忆管道系统，解决AI Agent“无记忆”痛点。通过L0原始对话、L1原子事实、L2场景索引、L3人格画像的分层提炼，实现跨会话持久化记忆。系统基于DSH与MemoryProxy协同架构，以异步批处理机制自动完成记忆生成与注入，使Agent能“记住用户偏好、理解上下文、持续进化”。创新性地采用Bearer Token推导身份，攻克服务端请求无头路由难题，已在生产环境验证，显著提升Agent智能水平与用户体验。
2026-09-13 22:53:56
371
原创 DeepSeek-V4.1-Flash：把 KV Cache 压缩到极限，让百万上下文不再昂贵
DeepSeek-V4.1-Flash 以552B参数、百万级上下文和仅890字节/token的全局KV Cache，突破长上下文Agent瓶颈。通过创新的CED架构将Prefill计算量减半，结合CSA2跨层复用机制实现KV Cache存储压缩至1/4，持久化缓存压缩至1/8。六大核心技术重构了模型架构、量化训练与推理优化，系统性解决长序列下计算、存储与带宽三重瓶颈，重新定义高效大模型上限。
2026-09-11 21:50:29
455
原创 让AI学会“看见“手指的遮挡 —— Hand Visibility Detector 深度解读
该研究提出一种轻量级深度学习模型——Hand Visibility Detector，专解决手部遮挡时关键点可见性判断难题。通过在主流手部姿态估计框架（如WiLoR）后接一个高效“可见性头”（Visibility Head），实现对21个手指关节的逐点可见性预测（0~1概率）。采用GAU门控注意力单元，兼顾精度与速度，支持五种骨干网络且仅训练头部参数，显著降低计算开销。实验表明，该模块能有效提升3D手部重建在复杂遮挡下的鲁棒性，为实时手部交互系统提供可靠前处理支持。
2026-09-09 23:51:04
342
原创 Splat.js：让高斯泼溅跑在浏览器里
<think>我们只需要按照要求生成摘要，不超过150字。内容描述Splat.js，一个在浏览器中实现3D重建的JavaScript+WebGPU库。摘要要简洁。</think>Splat.js是一款纯JavaScript+WebGPU实现的完整三维重建流水线，将照片至3D高斯泼溅训练与.ply导出全部搬入浏览器标签页，无需服务器、CUDA或编译。其SfM精度与COLMAP像素级一致，PSNR超越多款CUDA方案。通过五点创新（JS版COLMAP、WebGPU优化训练器、MCMC密度控制等）实现高质量重建，
2026-09-08 22:32:02
327
原创 FreeMoCap：普通USB摄像头撬动百万级动作捕捉系统
<think>我们只需要根据提供的文章内容生成摘要，不超过150字。注意是摘要，简洁概括核心内容。要抓住FreeMoCap是什么，解决什么问题，特点。</think>FreeMoCap是一款免费开源动作捕捉系统，仅用2-8颗普通USB摄像头即可获得研究级三维骨骼数据，无需标记点或昂贵硬件。它创新设计双管线架构、集中式GPU批量推理、ChArUco标定与捆绑调整、多视角三角化及四级骨骼滤波，支持Blender导出，大幅降低动捕技术门槛。
2026-09-05 20:35:54
387
原创 HRFFA: 大角度鲁棒快速人脸对齐
<think>我们还需要生成一篇约150字的摘要，基于用户提供的内容。用户要求：“根据以下内容，生成≤150字的文章摘要”。内容是关于HRFFA的。我们需要提炼核心要点：解决极端姿态下的人脸对齐，创新点包括裁整个头、在线蒸馏、统一几何增强、深度感知合成、ViT-Tiny+RoPE，以及轻量快速。摘要需在150字内，简洁。 先计划摘要内容： 背景：传统人脸对齐在极端头部姿态下失效。 HRFFA方案：不裁脸裁整个头，在线蒸馏小模型，统一几何增强（roll 360等），深度重投影造极端样本，用轻量骨干。 结果：C
2026-09-02 20:09:35
374
原创 Audio8 TTS：0.6B 参数如何吊打 8.5B 巨兽
<think>我们只需要根据用户要求，生成一篇≤150字的文章摘要。用户提供了“# DualAR 架构深度拆解”的详细内容，但要求是“根据以下内容，生成≤150字的文章摘要”。所以我们要从长文中提取核心要点，写成一段不超过150字的摘要。 注意：摘要要简洁，概括主要创新点（DualAR架构、0.6B参数、性能对比、内置codec等）。字数控制在150字以内，中文。不需要标题或列表。 开始写作。</think>Audio8 TTS以0.6B参数在双语评测中超越4.6B~8.5B大模型，核心创新DualAR分层
2026-08-31 14:29:32
367
原创 2B 参数干翻 8B：微信 WeMM-Embedding 多模态 Embedding 模型
2B 参数干翻 8B：微信 WeMM-Embedding 多模态 Embedding 模型
2026-08-28 22:10:59
400
原创 从玩具到前沿：训练一个真正的大模型，到底难在哪里
前沿模型训练和玩具模型训练的鸿沟，不在于"模型更大"——你可以把 Transformer 堆到 100 层，但那只是更大的玩具。前沿模型训练是一个完整的工业系统PB 级数据的工业级处理跨大洲异构集群的统一调度（Iris + 联邦路由）数百亿参数 MoE 架构的工程实现（Grug + 专家并行 + 分位数平衡）反应式的训练过程管理（Tootsie Roll + 冷却 + 中间训练）用小数预测大数的缩放定律（Delphi + IsoFLOP 扫描）大规模实验筛选方法论。
2026-08-26 10:54:51
419
原创 OvisOCR2： 0.8B 小模型端到端文档解析的新范式
OvisOCR2：端到端文档解析的创新突破 OvisOCR2是一款革命性的端到端文档解析模型，仅0.8B参数却在OmniDocBench v1.6基准测试中取得95.88%的综合精度。该模型突破了传统OCR多阶段流水线的局限，通过创新的Qwen3-Next GDN混合架构（18层线性注意力+6层全注意力），实现了从图像到结构化Markdown的一站式转换，完美处理文本、表格、公式等复杂元素。 技术亮点： 采用Qwen3-VL视觉编码器与GDN混合文本骨干，平衡效率与精度 支持动态分辨率（256×256至40
2026-08-22 20:59:08
379
原创 用 0.5% 的参数干翻整个网络？Mapping Networks 解读
《用0.5%参数干翻整个网络：Mapping Networks技术解读》 摘要： 印度NIT Rourkela研究团队2026年提出的Mapping Networks技术颠覆了传统深度学习范式。该技术基于"权重流形假说"，认为神经网络的数百万参数实际上存在于一个极低维的流形空间中。通过仅训练一个2048维的潜向量z，配合固定的正交初始化映射网络，即可生成完整网络的参数，实现500倍的参数压缩（仅需原模型0.5%的参数）。实验证明该方法不仅大幅降低训练成本（GPU内存和计算量减少99.5%），在某些任务上性能
2026-08-21 11:13:26
328
原创 YOLO 跌倒检测系统：让机器“看懂“老人摔倒
跌倒检测AI系统摘要（149字）** 本项目开发了一套基于YOLOv8-Pose的纯CPU实时跌倒检测系统，专为养老监护场景优化。通过17点骨骼关键点检测（模型仅6.5MB）结合多目标跟踪和四层遮挡恢复机制，在普通CPU上实现20+FPS处理速度。系统采用运动学特征提取（躯干角度/下降速度）与多阶段状态机判决，显著降低误报率。全部计算本地完成，无需GPU支持，硬件成本控制在500元内，功耗低于15W，满足养老院/家庭场景对隐私保护、低成本和长期稳定运行的核心需求。
2026-08-20 13:54:30
395
原创 DeepSeek Harness（DSH）解读：当 AI Agent 框架把“一切皆插件“做到极致
**DeepSeek Harness（DSH）是一款开源AI Agent框架，采用"一切皆插件"的核心理念，通过Cordis插件框架驱动，实现模型可替换、工具可插拔、会话可组合的能力。DSH将每个功能模块都设计为独立插件，包括模型适配器、工具注册、安全策略等，开发者可以像搭积木一样自由组合组件而无需修改核心代码。框架支持多模型后端、丰富的工具系统、安全沙箱和权限管理，并能以Web、CLI或Headless模式运行。DSH的模块化设计解决了传统AI Agent框架紧耦合的问题，使系统更灵活、可扩展且易于维护，
2026-08-15 21:37:03
438
原创 Boosting 冒险 —— 集成学习终极指南
文章摘要 《Boosting 冒险 —— 集成学习终极指南》深入解析了集成学习中 Boosting 的核心思想与实现机制。文章通过生动的比喻（接力赛、打高尔夫）和清晰的对比表格，阐明了 Bagging 与 Boosting 的本质区别：前者通过并行训练降方差，后者通过串行纠错降偏差。 重点介绍了 Boosting 的数学原理： 采用增量式学习策略（F_m = F_{m-1} + ν×h_m） 每棵树专注拟合前序模型的残差 学习率 ν 控制每步更新幅度 与梯度下降的类比关系 最后引出梯度提升（Gradient
2026-08-13 10:26:17
388
原创 PCA主成分分析 —— 用更少的维度保留最多的信息
文章摘要 PCA主成分分析是一种经典的无监督降维算法，通过线性变换将高维数据映射到低维空间，在保留大部分信息的同时减少特征数量。文章通过对话形式生动解释了PCA的核心思想： 高维数据的挑战：计算成本高、数据稀疏、距离失效、多重共线性等问题 PCA的优势：不同于粗暴的特征选择，PCA通过线性组合生成新特征，最大化保留信息 直观理解：用茶壶视角比喻主成分，BMI案例展示特征组合 实践应用：将6个房价相关特征压缩为"地段综合分"等主成分 PCA能够自动发现数据中的隐藏结构，不需要领域知识即可提取核心信息，是处理高
2026-08-06 09:43:36
302
原创 Seq2Seq 科普: 从编码器解码器到大语言模型的起源
本文通过对话形式科普了Seq2Seq模型及其发展历程。Seq2Seq由Google Brain团队于2014年提出，采用编码器-解码器架构，首次实现了变长输入到变长输出的转换，成为现代大语言模型的基础。文章详细解析了Seq2Seq的工作原理：编码器将输入序列压缩为固定长度的上下文向量，解码器再将其还原为目标序列。作者用压缩包比喻形象说明这一过程，并指出基础Seq2Seq丢弃中间输出的局限性，为后续注意力机制的出现埋下伏笔。文章还介绍了训练中使用的Teacher Forcing方法，最后梳理了从Seq2Seq
2026-08-02 13:43:32
330
原创 从VAE→RAEV2，新的起点
VAE→RAEV2：下一代生成模型革命 摘要：当前主流AI图像生成模型（如Stable Diffusion）依赖已有十年历史的VAE架构，其三大核心缺陷严重制约生成质量：语义丢失、上下文断裂和潜空间不可复用。谢赛宁团队提出的RAE（表征自编码器）通过引入DINOv2预训练视觉编码器替代传统VAE，实现了重大突破。RAEV2版本更将训练速度提升10倍，算力消耗降至FLUX的42%，重建质量全面超越专用VAE。这项技术突破不仅解决了VAE的信息压缩瓶颈，还创造了首个可跨任务复用的通用视觉语义空间，为AI图像生成
2026-07-30 11:00:58
376
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人