本文介绍了千问系列的多模态模型Qwen-VL，重点阐述了Qwen-VL的创新架构和训练方法。该模型采用ViT图像编码器、视觉-语言适配器和Qwen7B语言模型的组合结构，通过[img]、[box]、[ref]等特殊标记实现图像特征与文本的语义对齐。模型训练分为预训练、多任务预训练和监督微调三个阶段，支持中英双语理解、图像定位和OCR等任务。Qwen-VL通过创新的标记机制和分阶段训练策略，在多个评

Qwen2-VL是Qwen-VL的升级版多模态模型，主要改进包括：支持任意分辨率图像输入、扩展视频处理能力、增加多语言支持（日语、韩语等8种语言）以及提升视觉任务范围。模型结构由视觉编码器和语言大模型组成，采用2D-RoPE和M-RoPE技术处理时空信息。训练采用三阶段方法，使用包含1.4T token的高质量多模态数据集。Qwen2-VL提供2B、8B和72B三种参数规模版本，适用于不同应用场景

摘要： Anomalib是Intel开源的一站式深度学习异常检测库，支持图像、视频、3D点云等多模态异常检测，集成25+种SOTA算法。基于PyTorch/PyTorch Lightning构建，提供统一的数据加载、模型训练、推理及可视化流程，内置MVTec等15+标准数据集支持，并支持自定义数据集。核心功能包括自动化模型训练/验证、OpenVINO/ONNX加速、超参数优化及低代码Web应用（A

本文介绍了大模型应用开发中LangChain框架的关键技术，重点讲解了检索器和记忆系统两大核心功能。在检索器部分，详细阐述了文档嵌入与向量存储的实现方法，包括普通检索、检索器融合、上下文压缩、元信息查询、父文档回溯和多维度检索等多种检索策略，并提供了Python代码示例。在记忆系统部分，介绍了基础会话记忆、带上下文裁剪记忆、摘要式记忆、RAG增强记忆和知识图谱记忆五种记忆机制，展示了如何有效管理和

本文介绍了LangChain最新版(V1)在大模型应用开发中的核心功能与实现方法。主要内容包括：1) 工具调用机制，详细讲解@tool装饰器、StructuredTool和BaseTool三种工具封装方式；2) Agent构建方案，重点介绍基于LangGraph的工作流实现和传统Prompt方式构建ReAct智能体；3) 回调处理机制，对比事件流和handler函数两种回调方式。文章通过完整代码示

本文系统梳理了计算机视觉中Transformer架构Backbone的发展历程。文章首先将深度学习模型归纳为四大架构：前馈神经网络、卷积神经网络、循环神经网络和Transformer，重点解析了Transformer的多头注意力机制原理。2021年是Transformer在CV领域的突破之年，ViT通过图像分块策略首次将Transformer成功应用于视觉任务，CLIP开创了多模态对比学习范式，S

本文系统介绍了基于Transformer的目标检测模型发展历程。首先分析DETR如何通过集合预测思想替代传统CNN检测方法，详细解析其Encoder特征编码和Decoder目标解码机制，以及匈牙利算法实现的损失计算。随后探讨Deformable DETR的两大改进：可分离注意力机制降低计算复杂度，多尺度特征融合提升小目标检测效果。最后介绍RT-DETR的创新设计，包括两阶段查询机制、高层特征注意力

摘要： 《ASurveyonVision-Language-ActionModelsforEmbodiedAI》系统综述了具身智能（EmbodiedAI）中的视觉-语言-动作（VLA）模型。具身智能需通过物理载体（如机器人、自动驾驶汽车）与环境交互，被视为实现通用人工智能（AGI）的关键路径。传统强化学习方法面临泛化性差、数据效率低等问题，而VLA模型通过融合视觉（V）、语言（L）输入直接生成动作

摘要： 《ASurveyonVision-Language-ActionModelsforEmbodiedAI》系统综述了具身智能（EmbodiedAI）中的视觉-语言-动作（VLA）模型。具身智能需通过物理载体（如机器人、自动驾驶汽车）与环境交互，被视为实现通用人工智能（AGI）的关键路径。传统强化学习方法面临泛化性差、数据效率低等问题，而VLA模型通过融合视觉（V）、语言（L）输入直接生成动作

本文系统梳理了计算机视觉中Transformer架构Backbone的发展历程。文章首先将深度学习模型归纳为四大架构：前馈神经网络、卷积神经网络、循环神经网络和Transformer，重点解析了Transformer的多头注意力机制原理。2021年是Transformer在CV领域的突破之年，ViT通过图像分块策略首次将Transformer成功应用于视觉任务，CLIP开创了多模态对比学习范式，S