S
HalfSugar

系列归档

5 个系列 · 52 篇文章，按目录顺序阅读；单篇文章见 时间归档

系列流式视频理解 VLM 精读10 篇
  1. 总览流式 VLM 精读 0：领域地图——从'看视频'到'在世界中在场'
  2. 1流式 VLM 精读 1：StreamingVLM——无限视频流的实时解说，训练与推理对齐的艺术
  3. 2流式 VLM 精读 2：MiniCPM-o 4.5——Omni-Flow 全双工，9B 模型在端侧边看边听边说
  4. 3流式 VLM 精读 3：MOSS-VL——边说边看的 L5 交互，门控交叉注意力与 XRoPE
  5. 4流式 VLM 精读 4：JoyAI-VL-Interaction——京东 8B 视觉交互模型，每秒三选一的决策与完整可部署系统
  6. 5流式 VLM 精读 5：主动交互——模型到底应该何时开口？
  7. 6流式 VLM 精读 6：长时记忆——无限视频流怎么记住？
  8. 7流式 VLM 精读 7：实时推理——怎么才够快？
  9. 8流式 VLM 精读 8：边看边想（Streaming + CoT）——模型看视频时能「想一想」吗？
  10. 9流式 VLM 精读 9：评测与数据——30+ 个 benchmark 看懂门道
系列大模型强化学习6 篇
  1. 总览大模型强化学习综述：从 RLHF 到经验时代，一条四十年的因果链
  2. 1前世：从试错学习到 AlphaZero，强化学习的经典三十年
  3. 2对齐纪元：RLHF 如何把人类偏好塞进语言模型
  4. 3去 RL 化浪潮：DPO 家族与「在线 vs 离线」的三年之争
  5. 4推理觉醒：RLVR、GRPO 与 o1/R1 开启的第二次 Scaling 革命
  6. 5未来走向：Agentic RL、经验时代与超人类智能的分岔路
系列全双工语音模型精读13 篇
  1. 总览全双工语音大模型全景调研（2026年9月）：13 个维度看懂 Moshi、GPT-Live、Gemini Live、SeedRealtime、Gander 们的技术路线
  2. 1全双工语音模型精读①：Moshi——第一个实时全双工语音大模型，双流建模与 Inner Monologue
  3. 2全双工语音模型精读②：Freeze-Omni——冻结 LLM、8 张卡 6 万条数据做出全双工语音对话
  4. 3全双工语音模型精读③：GLM-4-Voice-9B——175bps 单码本、12.5Hz、INT4 可本地跑的中文语音助手
  5. 4全双工语音模型精读④：Qwen3-Omni——Thinker-Talker MoE，音频首包 234ms 的开源全模态旗舰
  6. 5全双工语音模型精读⑤：Gander 论文精读——腾讯混元的全双工语音智能体，如何把"实时对话"和"长任务干活"缝进一个模型
  7. 6全双工语音模型精读⑥：Qwen3.5-Omni Realtime——Hybrid-MoE、ARIA 文音对齐与语义打断的全模态旗舰
  8. 7全双工语音模型精读⑦：OpenAI gpt-realtime 与 GPT-Live——从端到端 S2S API 到全双工前台/后台委派
  9. 8全双工语音模型精读⑧：Google Gemini Live API——原生多模态全双工、视觉在环与主动开口
  10. 9全双工语音模型精读⑨：字节 Seeduplex 与 SeedRealtime——RL 话轮决策到音视频原生全双工
  11. 10全双工语音模型精读⑩：Qwen3.8-Omni——Thinker-Talker 长程 Agent、1M 上下文与流式实时全双工
  12. 11全双工语音模型精读⑪：流式视频理解 VLM 全景——从音频全双工到'边看边想边开口'
  13. 12全双工语音模型精读⑫：Wan-Streamer——当全双工长出一张脸
系列论文解读13 篇
  1. 13论文解读⑬：Muse Wonder Full——Meta 的「个人超级智能」Agent 底座
  2. 12Anthropic 蒸馏报告解读：一场 2 亿次交互的「思维链」争夺战
  3. 11LLM-as-a-Judge 不是神谕：自我改进 Agent 为什么需要确定性护栏
  4. 10Attention Residuals 论文深度解读：Kimi K3 的核心架构创新
  5. 9Kimi Linear 论文深度解读：KDA 线性注意力架构的技术突破
  6. 8Boogu-Image-0.1 论文完整翻译：Boosting Open-Source Unified Multimodal Understanding and Generation
  7. 7Boogu-Image-0.1 论文解析：开源统一多模态图像生成的新范式
  8. 6Boogu-Image-0.1 Agentic 技术实现详解：从理解到生成的智能体架构
  9. 5Anthropic 智能体失配报告解读：AI 的四种「使坏」模式
  10. 4论文解析 | SAO：单轨迹异步优化在智能体强化学习中的应用
  11. 3SenseNova-Vision 论文翻译总结
  12. 2SenseNova-U1 论文翻译总结
  13. 1GenCeption 论文翻译总结
系列UMM（理解与生成统一模型）10 篇
  1. 总览理解与生成统一模型（UMM）学习路径：从拼接架构到原生统一，从入门到前沿探索
  2. 1UMM论文解读01-基础奠基篇：从Transformer到VQGAN，七篇论文构建统一多模态的知识底座
  3. 2UMM论文解读02-早期统一模型篇：Chameleon、Emu3、Transfusion、Show-o的四条技术路线
  4. 3UMM论文解读03-主流模型篇：Janus-Pro、BAGEL、SenseNova U1的三种统一范式
  5. 4UMM论文解读04-VCoT篇：从Visual Sketchpad到CoT-VLA，视觉如何成为思维的载体
  6. 5UMM论文解读05-视频与世界模型篇：UniVideo双流统一、Emu3.5下一状态预测与Lance多任务协同
  7. 6UMM论文解读06-终章：从统一表征到AGI终局之战
  8. 7UMM论文解读07-后训练篇：从GRPO联合强化到自奖励闭环，统一模型如何自我进化
  9. 8UMM 四大前沿动态深度调研：Gemini Omni 1.1 Flash GA、Swift-Image、VGAU-Diag 与 GAS
  10. 9UMM论文解读08-理解与生成的协同真相-南洋理工商汤控变量实验揭示统一多模态模型是共赢还是内耗