Search Results

不太行，这个方向就有点荒谬（基于当前世界存在的信息基础） 不仅如此，目前流行的具身智能，竟然在尝试从《动作视频-行为描述》的端到端的训练 首先以下几个结论 当前大模型的成功，可以总结为对“自然语言”的成功高效地编解码，也就是有一定的抽象等级 这个的前提是已经有大量的文本数据用于训练 文本的信息量，所蕴含的信息还是比较少的，不像视频，图像有大量的物理特性 图像 尚未成功，至少数据量和抽象层级不够 高级的语义，逻辑，当前模型尚不能进行高效抽象，这就是为什么图形逻辑类评测表现不好的原因 图形最后可能还是要有卷积...

我们都知道好奇心对于动物的意义，而且也符合达尔文的生物进化理论， 好奇心的生理基础是大脑中多巴胺系统与前额叶皮层的协同作用，形成 “探索→获得信息→奖赏→持续探索” 的正反馈循环。 但是大脑是怎么驱动神经元，来表现出好奇心呢？上面的正反馈过程中的第一步是探索，怎么知道探索了就有可能进入到正循环里面去？ 毕竟因为个人的差异，好奇心也不是人人都会有，程度也不尽相同。 猜测： 延迟奖励，奖赏承诺 本能，大脑与心理的“硬编码” 探索的启动并非 “预知” 正循环，而是进化硬编码的「风险收益预判」+ 个体神经...

虽然我认为研究LLM心理学是没有意义的行为，但是更好得让工具为你服务是我的目的 prompt 最好是正面的，不要通过否定的方式来提示，而是采用直接的表达方式 尽量准确，详细得描述要求，举例是一个非常有效的手段 给模型赋予 “专业身份”，直接加强相关领域的权重 分步引导：复杂任务拆分为 “多轮子任务”

VLA（Vision - Language - Action）：视觉 - 语言 - 动作模型 视觉编码器 + 语言编码器 -> 多模态融合与推理引擎 -> 动作解码器/头 范式一：端到端训练的单一大模型 视觉编码器、LLM、动作头联合训练 使用大规模的机器人操作数据进行微调。 动作被直接表示为LLM词汇表的一部分（例如，将动作空间离散化为256个“动作词”）。 范式二：高效适配的轻量级架构 冻结预训练好的视觉编码器和LLM 在中间插入一个可训练的多模态适配器 只训练一个轻量级的动作头 ...

智能体的交互，除了对话还有那些，哪种是未来的方向？ 对话 对，现在的LLM除了对话，没有别的形式 Chatgpt claude code为代表的编程类助手，本质上也是本地的Agent不断得和LLM进行对话，只不过引入了tools，skills，让对话更可控 cowork openClaw 本质上和人工的交互方式都是在对话 对话是最合理的方式的原因讨论 智能体的那方便的特性决定的 人类最喜欢，最方便的方式 通用来说，除了编程类的助手能看代码，cowork类助手能看屏幕和文件，没有一种高效的给LLM提供信息的方...

只是一个上下文助手-Agent工程化 我们知道当前不管是Code、Cowork 以及 比较火的OpenClaw 等助手类的Agent，不外乎两个特点 所有的自洽和逻辑都只能维持在当前的上下文 上下文可以被动态的追加、压缩、整理、拼接 外挂一些固定的处理接口：Task、SubAgent、Skills、Mcp等等 支持额外的记忆 支持和现有一些软件的控制、执行 MCP 支持现有一些服务的的对接 主要的问题 上下文局限性，决定了不能进行大范围，高深度的思考和自洽 使用有限的上下文处理经过拆分的大范围的...

先说观点，当前所有的科研人员都研究Transformer去了，但是卷积才是视觉的最高效的特征提取（编码）算法。

背景 小众评测，避免各种开源的测试题目泄漏，数据污染问题 能客观、精确得反映出模型的能力 尽量反映其基础逻辑能力，而不是一些需要特殊数据训练才能获得的能力 镜像文字识别 基于知识类的 分类 对文章进行逻辑分析的测试 逻辑推导：结论,推导,结果,答案,目的 逻辑依赖：原因,证明,背景,理由,条件,要求 逻辑等价：相似 逻辑拆解：包含,分类,示例,解释,补充,修饰,方法 同义句判断 设计一堆的同义句 让AI判断两个句子之间的相似性，进行对比。 自洽性的评测标准 说对比两个句子的相似性，然后把两...

当前，AI已成为工程师的“能力倍增器”，10倍工程师变成行业的新底线。这导致行业对工程师的要求发生了根本性转变：几乎要求每位工程师都具备架构师的思维与视野。 这种变化带来了双重影响： 对资深工程师是机遇：已有丰富经验的工程师，能借助AI高效地将架构设计直接实现，从而大幅提升产出。他们不再需要依赖初级工程师来完成基础的编码工作，自身就能承担从设计到实现的完整架构师角色。 对年轻工程师是挑战：由于缺乏深厚的业务与架构经验，新手很难有效地指挥AI去搭建符合复杂行业需求的工具，导致其传统的代码能力价值下降，起步更为艰难。...

下面这个卷积网络，的算力需求大概是多少 Mops , 权重是多少K 个 注意 stride ， pooling 以及 深度可分离卷积 的参数 请直接输出一个表格， 输入是 16000 ， 分析每一层的输出尺寸 根据你提供的配置参数，这是一个典型的 1D 卷积神经网络（常用于音频原始波形处理）。 conv_dim: Tuple[int, ...] = (8, 16, 32, 64, 128, 256, 16) # Progressive increase to 512 conv...

成 作词，做诗 各种视频创作，修改，生成 影视人物的各种修改：关羽弹吉他，刘备拿麦克风 各种名人虚构照片 不成 自动驾驶 人形机器人服务人类 不确定 VLA 理论上具有可行性，但是端到端的模型对数据量/算力提出了很高的要求 视觉会提供完整的视觉信息，手指与物体的gap，手臂的行动方向，自然语言输出 语言作为决策中心，决定下一步的目标 执行器翻译语言到运动控制 根本原因 准确率：99 和 90 的区别 任务的抽象等级和样本数量的对比

研究人员将 Theory of Space 定义为三个紧密耦合的核心能力： 构建（Construct）：在部分可观测的迷雾中主动迈出脚步，收集局部观察，并在内部表征中拼凑出一张全局一致的「认知地图」。 修正（Revise）：面对动态环境（如物品被悄悄移位），敏锐察觉「旧记忆」与「新证据」的冲突，打破信念的惯性，完成知识的更新（Belief Revision）。 利用（Exploit）：将维护好的认知地图，作为应对复杂下游空间推理任务（如空间导航、视角推演）的最强武器。 本质上...

git : http://deve.work:33333/colin/mde.git commit : c61827061d6a34cbd2ca2fae62b59fcb780f192e prompt : 在vscode里面打开一个markdown非常慢，每次打开一个文件都要白屏很久 fix commit : 3e64dfab0643fecc583bb1e77467373d7e43854e 答案： Lute 双重加载 (3.8MB) 之前的代码在 <script> 的 onload 回调里才设 id="vdito...

神经元 可以被输入激活，激活后可以激活其他的连接的神经元 记忆区神经元 大部分时间是静息状态 逻辑推理神经元 视觉识别、语音识别，皮肤传感器等，人脸识别等等 正向，顺序激活，快速，没有递归 规划神经元 一团细胞，反复递归的激活，循环 区域 短路径，高并行 小脑，视觉识别 大量的边缘分布 记忆的节点 状态区 一堆的能主动激活其他人的细胞组成的临时记忆区，就是意识的本体 大量连接了记忆区的节点，一个连接多个，可以根据当前其他的状态进行动态的选择，从而表示一个临时的状态 比如，...

无所畏惧、没有牵挂、不再害怕 这个可能是人生追求的最终形态 不管是通过和自己和解，还是世界和你和解，最终的目的总是“和解“ 大脑的本能，不能克服的本能，就是根据当前的所有状态，决定下一步的行动。 不管是长期目标，还是短期，不管是一时意气用事，还是缜密决策 因为人是存在自我意识的，“自我“就是你的目标，“人性“只不过是行动的原则。 唯心主义的顶峰就是和“自我“和解 一旦还有没有解决的问题，内心就会产生恐惧 所以，不要想那么多，好好得处理好你的自我需求，实在不行，就换个方式，反正所有人的最高境界其实都一...

“无知要比博学更容易产生自信。”查尔斯·达尔文的这句名言，可以说是对达克效应最精准的概括。 达克效应（Dunning-Kruger Effect）是由心理学家大卫·邓宁（David Dunning）和贾斯汀·克鲁格（Justin Kruger）在1999年提出的一种认知偏差现象。它描述了一个反直觉的残酷现实：在某一领域能力欠缺的人，往往会产生一种虚幻的自我优越感，错误地高估自己的认知水平和能力；而真正的专家，反而常常会低估自己的能力。 Shutterstock 这种现象最直观的体现就是那条著名的认知曲线。初学者在掌...

1. 最底层的“目标函数”：生存与节能 (Survival & Energy Efficiency) 生物脑的一切高级功能都服从于这个终极指令。大脑只占人体重量的 2%，却消耗了 20% 的能量。因此，大脑极其“吝啬”计算资源。 本能体现： 习惯化（把重复动作固化到潜意识以节省算力）、避免认知失调，以及在非必要时倾向于使用“直觉”而非“深度逻辑”。 2. 情绪机制 (The Reward / Loss Function) 在有逻辑之前，大脑先有情绪。情绪是大脑用来快速评估环境并做出反应的全局权重参数。 情绪是一...