首先对多维特征进行解释：如有一个y，他的值由8个x（x1,x2，x3~~）决定，那么x就有8个维度。我们的linear所作的事就是y=wx+b,其中每一个量都是向量，因此可以处理多维度数据。如x有8个维度，y有一个维度，那么可以写成self.linear=torch.nn.Linear(8,1)内部过程就是：y(N*1),x(N*8)(表示y一维，x8维，总共有N个数据)，那么w就是（8*1），矩

多模态扩散大语言模型（MDLLMs），这类模型通过并行掩码解码实现高效生成。他和GPT的自回归编码模式不同，是并行解码的。具体是怎么做的呢？

先通过 MUNIT 模型（无监督图像翻译）把人类演示视频逐帧转化为机器人视角的视频 —— 翻译后的视频可能有视觉伪影，缺少结构化关键信息，无法直接用于训练；接着用 Transporter 模型从翻译后的机器人视频中提取关键点轨迹（比如机器人末端、物体中心的运动轨迹）；最后用这些轨迹作为强化学习的训练目标，让机械臂的关键点轨迹与目标轨迹尽可能一致，从而学会操作技能。经过上述训练，我们就得到了能准确提

表示算法效率的方法：增长率。计算方法：不要低阶项和常数项，只要高阶项。同阶函数：(g(n))={f(n) | 存在c1, c2>0, n0, 任意n>n0, c1g(n)<f(n)<c2g(n)}称为与g(n)同阶的函数集合。证明用定义，就像数学一样。注意：同阶符号中间有一个“H”,不要与低阶符号弄混。低阶函数：简记：中间有“H”的相当于是=，没有的相当于是<=。高阶

术语定义核心作用世界模型（World Model）学习环境动态的内部模型，形式化为部分可观测马尔可夫决策过程（POMDP），目标是估计状态转移函数 pθ​(ot+1​∣o≤t​,a≤t​)预测未来观测，支撑智能体决策视频扩散模型（Video Diffusion Model）基于扩散过程的生成模型，通过逐步去噪生成高保真视频，训练数据为互联网无动作标签视频提供丰富的物理先验（如物体运动规律、场景一致

PPO在线互动式优化，模型和环境（或 RM）实时交互产生奖励，通过优势估计和裁剪机制，逐步调整策略，适合 “没有现成标注、需要模型主动探索” 的场景（如机器人自主学习、从零训练的对话模型）。DPO离线偏好式优化，直接用现成的 “好坏回答对” 训练，通过对比概率比值让模型对齐偏好，还天然绑定参考模型防止退化，适合 “有大量人工 / AI 标注偏好数据、追求简单稳定” 的场景（如大模型对齐的量产阶段）

DINO ViT patch tokens + 可学习的 camera token（每帧1个）+ 4 个 register token。（Alternating-Attention）：先帧内自注意力，再跨帧全局自注意力，循环 24 次。Tracking Head（CoTracker2）：用跟踪特征完成任意点到全部帧的匹配。Dense Head（DPT）：输出深度图、点云图、不确定性图、跟踪特征图。

AndroidWorld上的实验结果表明，EcoAgent有效地处理了复杂的移动任务，同时减少了MLLM的令牌消耗，从而降低了运营成本，并促进了边缘设备上的实际部署。可以看到，在plan agent提出了一个计划+每步计划的预期结果之后，假如操作结果一直符合预期的话，整个流程接下来都不需要云端模型了。只有出现了不符合预期的情况的时候，才会需要云端模型，把当前情况和他说一下，再让他修改一下计划。ap

VLA训练的时候要多几个epoch，不能像LLM一样1，2个就完事了。VLA意为：vision language action 模型，其中的v可以使用常规多模态模型的vision部分。使用的现成的数据集，但是做了修改。只要人为手动的数据集，使用的机器什么的都要统一，各种任务类型也要平均。Motion（移动）：同样的东西和背景看起来差不多，不过东西的位置不太一样。优点基本上就是：模型小，开源，直接用

先通过 MUNIT 模型（无监督图像翻译）把人类演示视频逐帧转化为机器人视角的视频 —— 翻译后的视频可能有视觉伪影，缺少结构化关键信息，无法直接用于训练；接着用 Transporter 模型从翻译后的机器人视频中提取关键点轨迹（比如机器人末端、物体中心的运动轨迹）；最后用这些轨迹作为强化学习的训练目标，让机械臂的关键点轨迹与目标轨迹尽可能一致，从而学会操作技能。经过上述训练，我们就得到了能准确提