第二层为推理层，研究人员称之为认识大脑，这一层就是真正的决策者，它基于上一层的输入，一边做场景推理，一边给后面的动作层发指令，是整个模型的中枢系统，推理层的大模型基座是Qwen3-4B，这是阿里通义千问的最新大模型系列，4B 表示它的参数量约为 40 亿，它的语言理解、常识推理能力足够强，能处理复杂的导航逻辑，并且4B 的参数量足够小，可以部署在机器人的嵌入式设备（比如Jetson Orin）上，

本周主要完成了一个基于 SayCan + NLMap 思想的语义导航系统的搭建与验证。系统能够：从图片中识别物体及颜色属性（DETR + CLIP）理解自然语言指令，解析为 pick / navigate / place 动作（DeepSeek）在 Webots 仿真环境中获取物体的 3D 坐标控制机器人移动到目标物体位置整体架构采用双进程通信：窗口1 运行 Webots 服务器，窗口2 运行语义

本周主要完成了一个基于 SayCan + NLMap 思想的语义导航系统的搭建与验证。系统能够：从图片中识别物体及颜色属性（DETR + CLIP）理解自然语言指令，解析为 pick / navigate / place 动作（DeepSeek）在 Webots 仿真环境中获取物体的 3D 坐标控制机器人移动到目标物体位置整体架构采用双进程通信：窗口1 运行 Webots 服务器，窗口2 运行语义

本周主要完成了一个基于 SayCan + NLMap 思想的语义导航系统的搭建与验证。系统能够：从图片中识别物体及颜色属性（DETR + CLIP）理解自然语言指令，解析为 pick / navigate / place 动作（DeepSeek）在 Webots 仿真环境中获取物体的 3D 坐标控制机器人移动到目标物体位置整体架构采用双进程通信：窗口1 运行 Webots 服务器，窗口2 运行语义

另一个值得注意的发现是：通过IVP训练获得的“空间先验”可以迁移到其他视角相关的任务中。而我的当前工作更关注[请在此处填入你的任务，例如：“在未知环境中导航到指定物体”或“理解物体之间的空间关系”或“从第一人称视角描述场景内容”]，涉及[具体能力差异，例如：“物体级别的语义理解”“路径可达性判断”“多物体交互推理”等]。这与我目前的训练方式不同——我使用的是[请填写你的数据来源，例如：“人工标注的

这周主要细看《PLANNING WITH AN EMBODIED LEARNABLE MEMORY》，以下简称EPM，EPM这篇论文主要是一个可学习记忆，直接输出文本化的环境表示（物体列表、坐标、描述），大语言模型可以直接读懂这个记忆，无需中间查询，VLM能够对记忆进行ADD、UPDATE、Remove、No update 四个操作，我的想法主要是让EPM作为一个高层的规划器，通过用户输入的自然语

本周学习了推荐系统中的均值归一化方法及其重要性，该方法通过减去每部电影的平均评分来提升算法效率，并为未评分的新用户提供更合理的初始预测。同时，初步接触了使用 TensorFlow 实现协同过滤算法，了解了如何利用其自动求导功能简化模型优化过程，减少手动计算导数的工作量。一是理解了均值归一化的作用，它通过调整评分数据来加速算法运行，并让新用户的预测更贴近电影的平均评分，而非默认零值。二是学习了用 T

社交媒体已成为公众情感表达与舆论形成的关键场所，但数据碎片化、复杂情绪以及多模态特性为情感与行为挖掘带来挑战。本文系统梳理了社交媒体情感挖掘的理论、方法、应用与批判。研究发现，该领域经历了从基于基本情绪理论的简单分类，到融合社交语境与深度学习模型，再到当前以大语言模型驱动、面向真实世界复杂语境的模式转变。以MindVote为代表的基准研究证实，基于真实社交媒体数据训练的模型优于传统结构化调查微调模

第二层为推理层，研究人员称之为认识大脑，这一层就是真正的决策者，它基于上一层的输入，一边做场景推理，一边给后面的动作层发指令，是整个模型的中枢系统，推理层的大模型基座是Qwen3-4B，这是阿里通义千问的最新大模型系列，4B 表示它的参数量约为 40 亿，它的语言理解、常识推理能力足够强，能处理复杂的导航逻辑，并且4B 的参数量足够小，可以部署在机器人的嵌入式设备（比如Jetson Orin）上，

在模型训练阶段，采用了流查询令牌，是一个辅助任务工具，作用是让模型学会预测未来，从而更懂环境的动态变化，它不是推理时必须的，推理时会被直接删除掉，不会拖慢机器人的运行速度，具体操作是训练时加入可学习令牌<q_2D>、<q_3D>，这两个令牌是模型里的特殊占位符，用来对2D语义和3D空间提问和预测，它们会回看前面所有帧的2D/3D特征，即反向查询上下文，然后预测出下一个时刻的2D/3D隐特征（隐特征