跳转至

笔记

VLA VLM + DiT

导言

自动驾驶 VLA（Vision-Language-Action）模型中，VLM 和 DiT 是两个核心组件。但很多人会有一个常见误解：DiT 是用来生成图片的。实际上，在自动驾驶场景中，DiT 更多是作为动作/轨迹生成器，而非图像生成器。

VLM 负责"看懂路况和指令"，DiT 负责"生成一段连续、平滑、多模态的驾驶动作/轨迹"。

DMD & DMDR

导言

多模态生成模型的推理速度一直受制于diffusion模型的多步去噪，这也限制了RL的迭代速度。为此DMDR解决了这个问题。可以结合DiffusionNFT+DMDR

  • 分类于 OOW
  • 需要 2 分钟阅读时间

Blind Date Tips

导言

相亲是展现真实自我，寻找志趣相投另一半的过程。

Ideas around Vision-Language Models (VLMs) / Reasoning Models

导言

当前主流的多模态理解模型一般采用视觉编码器 + 模态对齐 + LLM的算法流程，充分复用已有视觉编码器的理解能力和LLM的基础能力。训练过程一般分为多个阶段，如先进行模态对齐的一阶段预训练，然后进行二阶段的参数微调。

排行榜:

  • 分类于 AI
  • 需要 4 分钟阅读时间

Vllm Basic

导言

HW24年狠抓了训练，但是推理性能稍微落下，dsv3的出现，强化学习的爆火，反过来对推理性能提出了很高的要求。为此高性能的vllm推理框架变成了hw首先适配的目标。

  1. 一方面我需要大致了解vllm框架的设计，
  2. 另一方面，我主要需要关注vllm-ascend实现了哪些接口。
  • 分类于 Overview
  • 需要 1 分钟阅读时间

Code Project Reading

导言

来hw的这小半年成，从PTA到MM又来到DeepseekV3，接触了很多代码，但是却还是常陷入代码细节阅读困境，难以理解如天书般的垃圾代码。往往陷入代码细节，一读读几天，并且经常难以产出阶段性成果。

如何快速代码上手，

  1. 通过代码外资料(LLM介绍，流程结构图，开源完善实现),
    1. 快速理解代码背后的概念，。e.g.，MOE，EP
    2. 简单了解开源代码实现思路，亮点。
  2. 跑通最小样例，通过执行调用栈（类似VizTrace），从整体和上层来理解当前代码框架。
  3. 聚焦没有实现的代码部分，或者性能瓶颈，递归仔细分析。