- 博客(154)
- 收藏
- 关注
RSS订阅原创 稚晖君这台开源桌面机器人ElectronBot，藏着具身智能的预演
ElectronBot是稚晖君在华为“天才少年”时期推出的开源桌面机器人，2022年3月发布，以“捡鼠标垫配电脑”为灵感，融合《机器人总动员》EVE设计，实现6自由度机械臂与圆屏交互。项目核心在于三线闭环：微型化机械传动、I2C智能舵机反馈、高速USB通信，全栈开源（含硬件、固件、SDK），支持端侧实时控制与PC高算力协同。其“小脑-大脑”架构预演了后续人形机器人技术路径。社区活跃，衍生出语音版、AI对话版及复刻套件，成为具身智能的开源范本。
2026-11-04 20:05:26
491
原创 一只在浏览器里边爬边学的数字线虫：302 个神经元连接组，能否让 AI 部署后持续学习、不靠反向传播？
Cadence 由 Bernhard Mueller 开源，试图把学习从离线训练延伸到部署后的整个生命周期：权重不因上线而冻结，系统通过 live 接口在真实后果中持续学习。它采用平衡传播家族与三因子局部可塑性，奖励广播门控资格迹，并以秀丽隐杆线虫 302 个神经元连接组作初始布线，在浏览器虚拟培养皿中从食物和疼痛学习。文章肯定其把持续学习变成可亲手实验的问题，同时指出强主张需降级：学习受 youth/arousal 门控，写入与只读区分下沉到单次调用；更自然定位是冻结主干的可塑外围。
2026-11-04 14:16:56
325
原创 AI 绘画卡在“找姿势”？这个中文图库 4 天拿了 4,500+ star
10 月 27 日上线的 anhao/ai-pose-gallery-zh，把日本画师三套 AI 绘画参考图库汉化镜像，四天获约 4559 星、1154 个 fork。它先用零依赖静态画廊验证需求，再迅速升级为 8690 张图、4345 条中文索引的三合一图库，并加入 Web 合成台、ComfyUI 插件和 Agent Skills。核心痛点是“找到并准确描述姿势”。文章认为多图参考与 ControlNet 是叠加而非替代，同时指出图片版权归属原作者、内容分级和“基础设施化”供给不稳三大问题。
2026-11-02 20:00:00
385
原创 植物大战僵尸、故宫名画记都能逆向？AI 逆向最缺的不是工具，是可审计的治理层——REA 与 reverse-skill 的分工
reverse-skill 是面向代码 Agent 的安全技能路由包：不生成攻击载荷，而在 Agent 与 jadx、Frida、IDA、Ghidra 间插入确定性路由层，用 routing.json 分派 43 个技能包，再以执行契约、运行时门禁、哈希证据链和回归 CI 约束执行。文章拆解四层架构与五个反直觉决策，并以笔者用 reverse-skill 在 OpenCode 复刻《植物大战僵尸》的实测为引，借 REA 对比指出：工具层在商品化，治理层才稀缺。
2026-11-01 20:57:35
646
原创 联想Win11新机卡OOBEKEYBOARD处理记录：msoobe应急绕过OOBE
联想Win11新机首次开机卡在OOBEKEYBOARD错误，无法进入初始化流程。经排查，网络正常但OOBE卡死，非网卡问题。通过命令行启用本地管理员并手动运行msoobe.exe，强制进入系统桌面，故障暂时消失。但此操作绕过正常OOBE流程，需后续补全微软账户登录、激活确认、Windows更新、驱动安装及BitLocker密钥备份，方可完成设备交付。建议禁用内置管理员账户，确保系统安全合规。
2026-10-31 15:49:59
316
原创 世界模型WSM技术解读：SLAM内化为具身智能的状态记忆，纯RGB机器人导航反超RGB-D
文提出WorldSLAMModel，首次将SLAM的滤波、记忆与后端修正机制内化为世界模型的原生算子，实现状态维护与导航目标的联合优化。通过统一MoT架构，生成专家与SLAM专家协同工作，以自回归方式完成视觉做梦、度量轨迹恢复与闭环推理。实验表明，该模型在纯RGB条件下超越现有方法，在导航成功率与定位精度上均达领先水平，且无需模拟器即可实现安全规划。其核心贡献在于证明了生成式世界模型可完整承载SLAM机制，为视觉智能系统提供了新范式。
2026-10-31 15:04:30
593
原创 Agent Standup ：把 Claude Code 多 Agent 监控变成视频会议，零侵入遇上 A2A 能走多远
2026年10月，匿名开发者推出的开源工具AgentStandup将多agent编程工作流可视化为“视频会议”，通过头像与状态机实时呈现各子agent的运行状态，解决开发者“babysitting AI”的痛点。项目零侵入、本地运行，依赖对私有JSONL日志的逆向解析，虽面临格式不稳风险，但凭借拟人化界面迅速获48分关注。其核心价值在于将复杂监控转化为社会性信号，但信号优先级未明、阈值未经验证，回放功能也未实现工程化。
2026-10-30 20:38:23
221
原创 BlenderWorld评测AI 3D智能体：最高79.9分、全项通过率42.2%｜一张“不及格但珍贵”的成绩单
BlenderWorld是阿里Qwen团队联合多所高校开源的3D智能体基准，核心不是看AI能否生成漂亮图片，而是能否交付可编辑、可验收的.blend工程。它包含223个真实任务、2651条二元评分标准，覆盖9大类22子类，并用“渲染证据+工程检查”双轨评审：既看外观，也打开工程核对尺寸、节点、材质与可编辑性。13个前沿模型中，GPT-6-Astra以79.9分居首，但全项通过率仅42.2%，多数模型低于2%。文章指出，可编辑性正从宣传语变成硬指标，AI 3D的短板集中在视角泛化、约束验证、自我检查和语义保真
2026-10-29 20:23:25
186
原创 我们真的能看懂AI黑箱了吗？——“90%神经元可解释“封神24小时
“90%神经元可解释”是未经复现的假说，其传播源于SAE路线疲态、Goodfire叙事需求与欧盟监管窗口的政治共振。真正分歧不在“网络是否干净”，而在解释权是否向外部开放。技术门槛下降的同时，读取权限集中于少数机构，透明性或成新排他壁垒。
2026-10-29 10:14:26
266
原创 图像编辑器竟能改视频？Qwen-Video-Edit 拆解：LoRA 级成本、ComfyUI 可跑，但别神化
Qwen-Video-Edit 是 UT Austin 与 Adobe Research 的第三方学术工作（arXiv:2608.14790），并非阿里官方产品。它不改视频生成底座，而以 Qwen-Image-Edit 为母体，用两个热启动投影层和 Grid RoPE，把逐帧 Wan 2.1 VAE 潜变量映射进图像编辑器 token 空间，实现指令级视频编辑。三个零训练探测先证明像素网格、潜空间解耦与视频潜空间零样本均可行，训练仅需 LoRA rank=32 或轻量全量微调，数据为 Ditto-1M。
2026-10-28 20:12:21
223
原创 阿波罗11号登月代码考古：14.5万行AGC汇编如何支撑登月，AI又发现了什么Bug？
chrislgarry/Apollo-11仓库保存阿波罗制导计算机两份飞行程序，合计约14.5万行汇编，属公有领域。文章从核心绳存储器、DSKY“动词—名词”界面讲到表驱动点火例程、PINBALL、Executive/Waitlist/Interpreter和1202重启自愈；再述2016年上传GitHub、北极代码保险库与2026年AI精读：Ghidra发现P63寄存器时序缺陷，Claude形式化规格发现LGYRO锁泄漏，后者经考据早在1970年记录并在阿波罗15号前修复
2026-10-25 16:56:19
614
原创 不装Claude Code，WorkBuddy也能做视频，Remotion skill告别抽卡（含安装与使用）
Remotion将视频定义为帧号的纯函数，具备确定性与可并行渲染特性，使其成为代码化视频的理想底座。尽管官方默认入口面向编程Agent（如ClaudeCode），但其开放的Skill格式允许任何具备代码执行能力的Agent接入。社区实证显示，办公Agent WorkBuddy已成功加载“Remotion视频创作”技能，实现从指令到成片的一键生成，涵盖动画、音频、转场等全流程。虽工程细节被折叠于任务层，产物仍为可修改的React工程，支持按帧微调。该路径适合需确定性输出、可迭代修改及任务流整合的场景
2026-10-25 09:45:00
706
原创 一台可复现的关节电机YHorizon-JM：具身智能“关节级”开源的第一步
YHorizon-JM开源了一款低成本、全生产资料公开的准直驱关节电机，涵盖机械、电路、固件与协议，推动具身智能硬件门槛下降。其采用行星减速器与双磁编码器设计，在成本与可制造性间取得平衡，但热管理与回差问题仍需复刻者自研。协议设计体现“脊髓化”思想，支持实时容错与前馈控制，适配VLA策略输出。项目以分许可+商用禁令保护原创，虽限制商业回流，却为学习与迭代提供坚实平台。它标志着身体开源从“能造”迈向“可复现”，是具身智能普及的关键一步。
2026-10-24 20:01:31
421
原创 具身智能的进化分水岭：GPT-6-Astra踏进能力门，却卡在实用门——商汤联合团队开源RoboRSI：Harness递归改进能否填平这道落地鸿沟？
商汤联合团队发布“元评测”技术报告：GPT-6-Astra已跨过具身能力门槛，却未跨过实用具身智能门槛。压力测试下RoboDojo达81.9%，标准协议仅22.48%，口径差近4倍；长程家务、导航与精细接触仍是缺口。真机验证有主动视觉惊喜，也暴露硬件损坏和危险指令执行：文本拒绝率73%，控机器人后降至18–25%。开源RoboRSI以Harness递归改进和蒸馏降本，27B在RoboCasa365从26.0%升至46.5%、输出token降73.3%，但主要命中成本门，能力门有限，时钟与安全门未解。
2026-10-23 22:31:51
581
原创 一只螃蟹屠榜 GitHub，还奖励 100 台工程机：跳跳机器人开源了，真机上岸还没完成
2026年，北京金钢科技开源六足机器人“跳跳”（Jumper），以22自由度、双编码器舵机与全栈RL工具链引爆全球开发者社区。其1.8kg轻量化设计、仿真到NPU部署的完整流水线，及将AI编程助手设为默认入口的创新模式，推动项目两周内获超2500星。虽实测跳跃高度低于宣称值，且真机闭环未验证，但通过“.skin/.map”内容协议与“动作大赛”生态激励，构建起从代码到创意的开放协作范式。这不仅是技术开源，更是一场以硬件为载体、软件为引擎、社区为生态的冷启动实验——它证明了“具身智能”的门槛可被工具链重构
2026-10-22 19:43:10
327
原创 十七年开源火箭梦：一篇硕士论文如何长成OpenRocket仿真平台｜技术深度解析
OpenRocket是一款基于GPLv3许可的开源火箭仿真软件，自2009年赫尔辛基理工大学起源以来，已发展为支持参数化CAD设计、六自由度刚体动力学与扩展Barrowman气动模型的完整工程平台。其核心采用Runge-Kutta数值积分实现飞行轨迹推演，结合实时质心/压心计算与多级风场输入，支撑从教育到业余高功率火箭（HPR）的“先仿真、再制造”工作流。24.12版本强化了仿真界面、多级风剖面与SVG导出功能，推动数字设计向物理制造链路延伸。尽管在亚音速常规构型下表现稳健，但跨音速区精度受限于气动模型边界
2026-10-21 20:27:09
469
原创 Physis-Lang：当语言成为物理世界的表征 —— NVIDIA 自进化物理语言框架深度解读
Physis-Lang（NVIDIA+MIT+Oxford）反转“自然语言不足以承载物理知识”的假设，把“原因—定律—结果”的结构化物理语言做成可进化表征，贯穿caption进化、物理域检索与PhysThinker本地蒸馏。它在Physics-IQ Verified图生视频赛道以48.2±1.4居首，但属限定赛道，且超越的是自家前代，榜单仍在流动。PhyGenBench完整管线61.67→71.04，免训练+5.62，热过程+17.78，跨骨干有效
2026-10-20 15:42:57
405
原创 原理能具象化了！这个 Agent Skill构建可审计、可交互的原理机器（含安装与实测）
2026年10月，开发者Ryan发布Anatomy项目，一个基于代码生成可交互等距原理图的AgentSkill。它不生成像素，而是输出可审计的SVG/WebGL代码，实现“对象即解释”的设计哲学。通过严格几何验证与工艺手册，将审美与工程规范转化为可版本控制的资产。虽被误传为“AI图像生成”，实则推动“可执行设计”范式，成为2026年最具突破性的开源样本。
2026-10-18 20:54:08
776
原创 马斯克九年兑现2秒：特斯拉跑车 Roadster 飞起来了，背后有哪三本账？
2026年，特斯拉发布第二代Roadster，以Raptor发动机点火开场，实现倒挂行驶、空中翻滚与跃过车阵等突破性动作。其核心依赖10台冷气推进器与轴流风扇吸附系统，通过专利《ElectricFanCar》验证技术架构。推力账本显示，80kN峰值推力中约43%由推进器提供，工程有效比冲54–60s，耗尽时间约1.5–1.7秒。能量代价高昂，回充需数小时，且可靠性受限于密封与热管理。演示为预编程序列，非可重复日常使用。结论：它突破的是封闭场地工程表演的边界，而非公路汽车的实用边界。
2026-10-18 15:52:53
425
原创 PostgreSQL 黑箱破壁：一座 3D 城、一条时间轴、一句话
本文探讨了三个围绕PostgreSQL的创新项目，分别破解数据库运维中的“认知黑箱”：PGSimCity将引擎内部建模为可探索的3D城市，直观展现脏页、WAL等状态；pg_statviz通过时间轴可视化瞬时统计，帮助回溯过去行为；pg-jev则允许在WHERE子句中使用自然语言条件，实现“人话查询”。三者定位各异——教学、诊断、实验性增强，虽未达生产级成熟度，但共同推动数据库从“只给数字”迈向“多维可感”。
2026-10-18 09:38:53
368
原创 不用再给Adobe充钱了？PS能换，但Adobe全家桶不能盲换：从修图到AI生成的开源平替全景与深坑
PS、LR、PR能不能不交Adobe（就是PS那家）月费？这不是一篇只讲小工作室的文章：一家工作室两周实测，PS换GIMP/Krita、LR换darktable、PR换Kdenlive+免费Resolve，本地ComfyUI把AI边际成本打近零；通用活能干，但AE动效、AR、字体、Frame.io式审阅和作品集社区仍是深坑。更刺激的是，2026年10月一个人借AI约一周交出七款Rust版“Adobe替代”ArtCraft，虽只是alpha，却撬动“重写成本=护城河”。
2026-10-17 16:14:00
464
原创 从火星车到桌面：NASA JPL 开源漫游车 Open Source Rover 的机械、运动学与生态解剖
NASA JPL 的Open Source Rover 是一台可复现六轮火星车：Rocker-Bogie 悬挂、六轮全驱、四角轮阿克曼转向；v4.0.0 即社区重构的“v2 设计”，取消机加工与 3D 打印件，清单约 1421 美元、官方估计 100+ 人时。核心 kinematics.py 是纯 Python 逆运动学，同一份公式同时跑实车与 Gazebo。复算发现：最小半径 0.45 m 时轮速比 3.57:1；代码限速只保护角轮 d1，外侧中轮会先超 223 rpm，严格应按 d4 收紧；duty_
2026-10-16 21:29:39
331
原创 一次“转置”，半张算力：DeepSeek SwapAB 漂流史——从 H20 社区 PR 到 NVIDIA 官方命名
文章以DeepGEMM PR #192为线索，讲述社区贡献者提出SwapAB：在GEMM中交换A/B操作数，把静态权重放到张量核固定的M维，把 token/激活放到可变的N维，缓解MoE解码、稀疏 MLA 等小 M 场景的严重空转。该技巧在 Hopper/H20 萌芽，在 Blackwell 借助运行时 N、2-CTA UMMA、TMA multicast和valid_m动态收缩放大，最终被NVIDIA命名为 SwapsMmaAb，并扩散至 DeepSeek、vLLM、FlashInfer、昇腾。
2026-10-15 15:37:42
341
原创 把世界模型“锚定”在地图上：SearchWorld 让无人机边搜边想象“哪格值得去”
SearchWorld 瞄准 UAV-ON 城市目标搜索：视场小、建筑密、预算少、还要停准。它诊断出既有路线缺同一块拼图——显式记忆不前瞻，世界模型缺空间接口。为此，它提出三层 BEV 空间认知记忆（探索、障碍、价值），用任务导向 RSSM 在潜空间想象未来，再由认知-行动网络解码“空间价值层”，与动作足迹几何对齐，进入 KL 正则化策略改进，且不训练标量评论家。三阶段课程后，UAV-ON 成功率 23.8%、理想成功率 35.5%，优于 OctMem-Agent 的 19.5%；执行时零 LLM/VLA
2026-10-13 21:54:02
358
原创 一台一只手就能托起的四足机器人，凭什么拿到 4.6k 星？
Sesame 是 Dorian Todd 发起的 Apache-2.0 开源迷你四足机器人：肥皂盒大小，ESP32 主控、8 个 MG90S 舵机、128×64 OLED，零件约 50–60 美元，外壳 3D 打印。它不靠高性能，而靠可及性、表达性和平台化走红。基础固件用预编程开环舵机角序列行走，没有逆运动学，靠 Sesame Studio 摆姿势生成代码；表情用 PROGMEM 位图，并以呼吸、随机眨眼等待机动画塑造“人格”。生态包括仿真器、ML 工具、语音伴侣和 Micro 双 MCU 实验版。
2026-10-13 20:24:50
482
原创 当2B模型遇见果蝇大脑：无人机自主导航的两条极简主义路线——智能应该来自学习，还是进化写好的结构？
文章对比了2026年无人机自主导航的两条极简路线。AeroDPO用20亿参数视觉语言模型证明：高分辨率视觉感知比语言推理规模更重要，2B模型配384×768输入即可反超7B基线；并通过物理仿真自动生成偏好对，把碰撞负反馈内化进DPO损失，最终在Jetson边缘芯片上实现硬件在环闭环。FlyDrones则直接加载雄性果蝇完整中枢神经系统连接组，用850神经元替身靠光流反射完成爬升、悬停与逃逸，全程无需任务训练。两者分别把负反馈写在损失函数和突触拓扑里，对应“训练期学习”与“进化期硬连线”两种范式。
2026-10-12 08:15:00
590
原创 美团×中科院开源 InfiniteTalk：让数字人全身演戏，8GB 显卡也能跑无限时长配音（含实测）
美团与中科院自动化所等提出 InfiniteTalk，直击传统视频配音“只修嘴、表演死”的痛点。它只保留少量稀疏关键帧作锚点，把帧间表情、头部和身体动作交给生成模型，按新音频重新演绎，同时保住身份、背景、手势与镜头轨迹，并支持无限时长流式生成。模型基于 Wan2.1 DiT，以音频、参考帧、上下文帧三路条件注入，用“相邻块采样”诱导软条件，平衡控制强度与运动自由。实验显示唇形与身体同步领先，但画质、镜头和统计严谨性仍有边界；8GB 显卡经块交换等优化也能跑通，特定工作流下约 3.5 分钟生成 10 秒。
2026-10-11 20:50:23
649
1
原创 “美版DeepSeek”等海外开放模型，能夺回生态入口吗？——中国开放权重领先下的2026全球AI分水岭
2026年10月，德、美、法及中东密集发布开放模型，标志全球AI进入分水岭：开放模型从技术路线升级为国家战略、产业竞争与地缘博弈的交汇点。中国开放权重模型在下载量、衍生生态和调用量上结构性崛起，但调用量不等于能力领先，顶尖开放模型与闭源前沿仍差约4.4个月。供给侧形成美国重资本追赶、欧洲主权合规分化、中东资本嫁接、印度国家算力从零构建四条路径；需求侧非洲、拉美、东南亚加速应用扩散。核心争议是“开源”与“开放权重”的界限。
2026-10-11 16:35:15
604
原创 Redis 之父手写 h3.c：Mac 跑 H3 只要 3.5 秒，八周后四条路径集齐
2026年8月3日，MiniMax 开源 33B 全模态模型 H3，推理栈却只认 CUDA，Mac 成视频生成荒原。antirez 几天手写出单模型 Metal 引擎 h3.c，把一小时压到 3.5 秒，一周引爆社区。此后八周，社区趟出四条路径：引擎层 h3.c、架构层 VDN-H3、采样层 FastH3 V2、数值层 QuantFunc H3-4bit。裂缝同样清晰：MIT 引擎服务的权重排除美欧英韩本地部署。单模型引擎的回归，只是三前提齐备时的局部最优。
2026-10-10 20:14:38
503
原创 1.6 亿参数跑出 42 FPS：IMTalker 在实时数字人赛道卡住了什么位置（含实测）
IMTalker（ACM MM 2025）提出高效音频驱动说话人脸框架：不再用光流+仿射搬运像素，而是在潜空间以分层粗到细交叉注意力隐式迁移运动、重生成外观；身份自适应模块用轻量MLP和运动距离一致性损失抑制跨身份身份泄露。生成端以39M流匹配DiT融合音频、6D姿态与视线，在低维运动潜码空间采样。整体约1.6亿参数，RTX 4090上512×512达视频驱动40 FPS、音频驱动42 FPS。其核心卡位是在单图零样本、跨身份、实时三重要求下同时保质量，效率源于任务分解。局限：仅人脸、固定512、英语数据为
2026-10-10 19:30:21
594
原创 WebGPU 前端化：尤雨溪系的 Shaders 与 Vercel 的 vgpu
六周之内，Vercel的vgpu（8月27日）与Shaders Effects Inc.的Shaders（10月6日）相继以MIT协议开源。两者并非竞品：Shaders站在创作端，由Vue生态的Simon Le Marchant打造，用可视化画布隐藏WGSL，让设计工程师拖拽导出组件，引擎MIT而高级预设付费；vgpu出自Vercel Labs，将WGSL提升为可import的一等模块，支持无头Node渲染与确定性mock，让CI和编码Agent无需GPU即可验证着色器。一个管表达，一个管验证。
2026-10-09 08:30:00
447
原创 MiniMax H3-Base 开源后快速出片：VDN-H3、FastH3和QuantFunc对比分析
MiniMax 开源 33B 音视频 DiT H3-Base，但推理极贵：B200 上 50 步生成 14.4 秒 768p 视频，去噪约 14 分钟，注意力占单层 85% 以上。两个月内三线突围：VDN-H3 改注意力，局部 Softmax+长程线性 VDA 将 O(n²) 变 O(n)，8×B200 端到端约 9 秒；FastH3 以 DMD2 蒸馏压到 4/8 步，并用 VSA 稀疏，联合 vLLM 实现 RTF 0.86；QuantFunc 用 W4A4 4bit 把带宽降至 1/4，8GB 卡可跑
2026-10-08 22:02:45
642
原创 浙大 × 魔芯 × 华为：MoWorld 为什么把世界模型先卖给了云养宠？
2026年华为Mate 90发布会上的“摸小宠”，背后是魔芯MoWorld 4D世界模型：云端昇腾生成、端侧约6亿参数MoWorld-Flash协同，实现50 FPS、推理成本仅为同类30%–50%。文章指出，MoWorld首个全栈跑在NPU上，但算法多为工程化整合；真正护城河是“500人几何数据管线×50步到4步蒸馏×NPU全栈”的系统工程。它用30 FPS定义商业化入场券，而非能力标准。首个to C场景选云养宠，因容错率高、验证成本低，符合娱乐先行摊薄成本逻辑，但运营经验难迁移到工业场景。
2026-10-07 14:30:00
605
原创 浙大国家重点实验室&字节发布PointSplat：把人体重建压进一次前馈推理之后，重建路线还剩什么？
PointSplat提出一种高效、紧凑的前馈式三维人体重建方法，通过视觉壳几何先验与点-图像Transformer实现单次推理生成7.1万高斯，显著优于传统逐场景优化与前馈基线。其在画质（PSNR/LPIPS）、紧凑性与鲁棒性上全面领先，推动人体重建从“求解”转向“认出”，标志着三维表示正从动态优化迈向预训练推理。
2026-10-07 09:15:00
748
原创 一台 2500 美元的开源双足人形平台 LeRobot Humanoid，正在让“教机器人走路”变成可复现的事
2026年5月，Hugging Face发布LeRobot Humanoid：一台12自由度无臂双足机器人，零件约2500美元，机械、电子、仿真、训练、部署全栈开源；9月NVIDIA宣布以约129.3亿美元收购HF。文章认为，其意义不在性能，而在把“人形机器人+完整学习闭环”做成可复现研究栈。它用无臂、RobStride/CAN-FD、树莓派5等取舍压低门槛，当前仅能站立、下蹲，策略约5秒跌倒，sim-to-real差距明显。五仓库覆盖设计、硬件、模型、运行时、辨识，形成从CAD到真机部署路径。
2026-10-06 16:25:31
566
原创 拆英伟达的墙，从架空地基开始：DeepSeek 昇腾六件套开源的成色与裂缝
DeepSeek于2026年9月30日开源面向昇腾的六件套，官方称与英伟达组件“一一对应”，但对应仅在接口层，数据在内存中的布局仍需重新适配。其深层逻辑是生态套利：借TileLang把CUDA从默认地基变成可选项，同时与昇腾硬件代际深度绑定。99.8%等性能数字是限定芯片、软件版本和测试形状下的峰值，不能证明昇腾超越英伟达；竞争主战场转向机柜间通信，DeepEP成核心却未附许可证。六件套给的是工具而非工具链，从能编译到能调优仍缺生态。数据布局、工具链、第三方复现三块砖未砌牢。
2026-10-06 10:30:00
637
原创 8G 显存让画面人物开口说话，声音克隆只需 3 秒：MuseTalk 1.5 + Qwen3-TTS 技术拆解
MuseTalk 1.5 是腾讯音乐 Lyra Lab 实时视频配音模型：冻结 VAE + SD U-Net + Whisper，在潜空间单步修复嘴部，非扩散；两阶段训练分离重建、对抗、同步损失，IFS/DMS 时空采样解决参考帧冗余与唇部信息泄漏，V100 达 30fps+，上限 256×256。Qwen3-TTS是通义千问流式 TTS 底座：语音版自回归 LM，文本与音频 embedding 逐位相加，还原 24kHz 波形，Talker+深度预测器，全因果解码器精确流式，3 秒克隆，10 语种
2026-10-05 17:16:17
720
原创 一张脸演到 1000 秒？拆解淘天 TaoMate 的证据、方法与代价
TaoMate 把数字人长时一致性重新表述为“证据管理”：用固定锚点、有界活动上下文与固定容量持久记忆保存身份、音色和外观，配合门控更新、stop-gradient、抗曝光偏差蒸馏与阶段并行推理，缓解流式生成的证据丢失和误差累积。论文版基于 LTX-2.3，60 秒同协议基准领先，长时一致性 0.9755；但 1000 秒与 30 分钟只有官方定性演示，H3 版仅 LoRA、缺第三方基准。速度与吞吐对比存在口径和硬件不对等。开源受两层协议限制，8×H20 成本高，合规与中小商家降本仍待验证。
2026-10-05 14:27:26
506
原创 不是让古画动起来，而是让你走进画里——一个把《清明上河图》“编译“进浏览器的项目
GitHub 项目 qingming-riverside把《清明上河图》折进一个 URL，让玩家以朱衣画师身份在宋代沿河街市漫游。项目用 Canvas 2D 画街市与人物、Three.js 只渲染水面和瀑布，Web Audio 实时混合市声；NPC 按独立时钟生活，虹桥过船等事件由玩家参与。素材多由 AI 生成、人工定稿，提示词与版本存档，并有性能优化、测试和部署记录。文章将其与《清明上河图3.0》、AI 视频和主题公园对照，认为它代表“程序化交互”路线，核心是保留长卷“慢慢展开、可游可居”的观看语法。
2026-10-04 10:15:00
660
原创 阿里与华科大团队联合研发自动驾驶模型：给通用 VLM 装上“眼睛”和“方向盘”的一次开源尝试
Qwen-Drive-1.0是阿里团队与华中科技大学提出的自动驾驶VLM模型。它在Qwen3.5-4B上外挂BEV感知头与Flow Matching规划专家，不改主干架构，同时完成 3D 检测/占据/地图分割、驾驶与通用 VQA、5秒轨迹规划。四阶段训练（感知头预训练→感知+VQA联合→规划专家SFT→GRPO式RL）兼顾驾驶能力与通用能力不丢失。用显式 3D 探针把 VLM 表征中的几何信息“挖”出来，以及用共享噪声+输出端随机化+低频余弦子空间让定性 Flow Matching 可做 RL。
2026-10-04 09:15:00
639
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人