Linux内核

外层循环 (Epoch): 控制对整个数据集的遍历次数。内层循环 (Update Step / Micro-batch)它是一个复合结构，服务于梯度累积。外半部分按“优化步”迭代，决定了的调用频率。内半部分按“micro-batch”迭代，执行实际的前向/反向传播，并将梯度累积起来。这种设计将数据迭代（epoch）、模型更新（update step）和梯度计算（micro-batch）清晰地分离开

这类方法的基本假设是：如果一个激光点的光路穿过了另一个激光点，那么另一个激光点就是动态点。这个假设逻辑上完全说得通，但实现起来有两个问题：其一，入射角接近90度时的误杀问题，如下图所示，红色箭头指向的旧点因为与新点（五角星）光路很接近，会被误杀掉，考虑到一帧激光点云本身的角度误差、测距误差、光斑影响等，这种误杀会更严重。

GPU异构计算基础知识

ATLet Aaij​∈Fn×n, where FAi1∑n​aii​n×n→F.trATtrA. Since (ATii​aii​ATi1∑n​aii​trA□trABtrAtrB.trABi1∑n​aii​bii​i1∑n​aii​i1∑n​bii​trAtrB□trλAλtrAλ∈F.trλAi。

本文系统梳理了多模态视频理解领域的核心基准测试（Benchmark）和排行榜（Leaderboard），为研究者提供评估模型性能的参考框架。重点介绍了7个具有代表性的Benchmark，包括MMBench-Video、Video-MMMU等，涵盖通用视频理解、教育知识获取、3D空间推理等多样化任务。同时整理了4个主要Leaderboard，如OpenCompass司南榜单和SuperCLUE中文评

摘要： 自回归生成模型（如GPT）通过逐步预测序列元素（文字、像素等）实现内容生成，核心是Transformer解码器的掩码自注意力机制。其优势在于生成连贯性强，但受限于逐词生成的顺序性。为提升效率，LLM引入past_key_values缓存历史注意力计算结果（key/value），将计算复杂度从O(n²)降至O(n)。该技术与扩散模型形成互补（离散vs连续数据生成），共同推动生成式AI发展。

旋转的表示：旋转向量与四元数