多模态模型竞争正在转向端侧任务闭环
核心观点 大模型与多模态模型的最新主线，不是单纯把榜单分数继续推高，而是把模型能力压进更具体的任务闭环：机器人导航、跨模态本地检索、端侧工具调用、长上下文本地助手和企业级 Agent 工作流。一
行业动态
文章列表
世界模型：让机器人先在‘脑内’试一遍
世界模型：让机器人先在“脑内”试一遍 什么是世界模型，它和机器人有什么关系，以及截至 2026 年 7 月有哪些值得关注的开源选择。 图 1：世界模型的直觉——机器人不必把每个动作都拿到现实里试，而是
360全景拼接原理、实现通路与芯片需求
这篇笔记梳理 360 全景拼接，也就是 AVM（Around View Monitor）/环视鸟瞰系统的原理、整条视频通路，以及它对芯片的真实需求。 先把结论说清楚：车载 360 拼接通常不是做“球形全景照片”
总线、NoC与DDR系统架构
学习 SoC 架构时，最容易混淆的是几个词：Bus、AXI、NoC、DDR、QoS。它们不是同一层面的概念。 Bus、Crossbar、Fabric、NoC：描述片上模块之间怎么连接。 AXI
Continuous Batching与Expert Grouping：大模型推理服务优化原理
概述 大模型推理服务的核心问题不是“单个请求能不能跑”，而是“很多请求同时进来时，GPU能不能一直忙，并且用户等待时间不要太长”。这里会遇到两个层面的调度问题。 请求层面：不同用户请求
投机解码原理：用草稿模型加速大模型生成
概述 大语言模型生成文本时，本质上是一个自回归过程：先根据已有上下文预测下一个token，再把这个token拼回上下文里，继续预测下一个token。也就是说，如果要生成100个tok
MoE模型原理：让大模型按需激活专家
概述 大模型能力提升通常依赖两个方向：模型参数变多、训练数据变多。Dense模型的做法比较直接，每一层的参数都会参与每个token的计算，模型越大，单次前向计算也越重。这样虽然简单，
ISP Pipeline 缩写词汇总
这篇文章把 ISP Pipeline 中常见缩写按数据流阶段串起来。看 ISP 文档时，不建议孤立记缩写，而是先判断它处在输入接收、RAW 前处理、HDR/3A、RGB/YUV 后处理、几何校正、输出，还是 AI/CV 支路。 完
解构LLM： 以llama.cpp分析模型推理过程
大模型推理的"第一性原理" 从Deepseek V3到Kimi K2 无论模型如何变化，当前主流大模型的核心架构都是基于transformer。其本质是一个由多层相同结构
llama.cpp 模型加载机制深度解析
概述 llama.cpp 的模型加载系统是一个高度优化的、支持多后端、多设备的模型权重加载框架。它通过精心设计的数据结构和加载流程，实现了： 零拷贝加载：通过内存映射（mmap）实现模型文件的零拷贝加载
ggml后端架构简要分析
后端系统概述 GGML后端系统主要提供如下功能： 统一接口： 不同硬件平台使用相关的API。 自动选择：根据硬件自动选择最优后端。 灵活切换：可以在运行时切换后端。 扩展性：易于添加的新后端。