开源大模型（LLM）是人工智能领域发展迅速的重要方向，其开放性允许研究人员、开发者和企业自由使用、修改和部署。根据当前公开资料，开源大模型可以从多个维度进行分类和汇总。开源大模型可根据其‌架构设计、训练目标、语言能力、参数规模‌等特征进行划分，通用大语言模型‌：这是最主流的类别，专注于理解和生成自然语言，适用于问答、文本摘要、内容创作等广泛任务。例如，Qwen-7B、ChatGLM2-6B、Bai

在人工智能领域，特别是涉及对话代理（Conversational Agents, CAIs）和情感代理（Affective Agents）时，“Agent的Personality”指的是赋予人工智能代理的一组稳定、可预测的心理特征和行为模式，使其表现得更像一个具有独特个性的个体，而非冰冷的程序。在AI Agent的语境中，“Group”（组）通常指的是一种组织多个智能体（Agent）进行协作的机制

RAG（Retrieval-Augmented Generation)即检索增强生成，为 LLM 提供了从某些数据源检索到的信息，并基于此修正生成的答案。RAG 基本上是 Search + LLM 提示，可以通过大模型回答查询，并将搜索算法所找到的信息作为大模型的上下文。查询和检索到的上下文都会被注入到发送到 LLM 的提示语中。RAG技术是一种结合了检索和生成能力的机器学习架构，它在大型语言模型

1）跨模态模型跨模态指的是在不同模态之间进行信息转换或关联的过程。跨模态处理在人工智能中非常重要，因为它涉及到如何让机器理解和处理不同类型数据的问题。例如我们最常见的语音识别，就是一个听觉模态到文本模态的转换，还有最近很火的AIGC大模型文生图，就是文本模态到视觉模态的转换。跨模态的关键在于如何识别不同模态之间的语义差异，并准确地在它们之间进行信息映射。‌模态定义‌。

该数据集包含50个城市不同场景、不同背景、不同街景，以及30类涵盖地面、建筑、交通标志、自然、天空、人和车辆等的物体标注，共有5000张精细标注的图像和2万张粗略标注的图像。目标检测则是计算机视觉中的另一项重要任务，它的主要目标是识别图像或视频中存在的物体，并给出这些物体的位置和边界。VOC数据集是计算机视觉主流数据集之一，由牛津大学、比利时鲁汶大学等高校的视觉研究组联合发布，可以用作分类，分割，

动作识别是计算机视觉中的一个重要任务，旨在从视频或序列数据中识别和分类人类的动作或行为。它不仅仅是检测场景中是否存在人或物体，更关注于解析这些主体在做什么，例如区分走路、跑步、挥手或摔倒等具体动作。‌该技术的核心在于从视频的时空维度中提取特征。视频由一系列按时间顺序排列的帧组成，动作识别需要同时学习空间特征（如物体或人体的外观）和时间特征（如运动的变化规律），从而构建出完整的时空特征表示。‌实现方

人体姿态估计(Human Pose Estimation, HPE) 是指通过计算机视觉技术来推测或估计人体在三维空间中的姿态信息，包括关节位置、角度和身体姿势等。本质上，它是一种捕获每个关节（手臂、头部、躯干等）的一组坐标的方法，该坐标被称为可以描述人的姿势的关键点(keypoint)。目前主流的人体姿态估计算法可以划分为传统方法和基于深度学习的方法。

策略的行动空间(action space)是LM的词表对应的所有词元(一般在50k的数量级)，观察空间(observation space)是可能的输入词元序列(词汇量^输入token的数量)，奖励函数是偏好模型哦那个i和策略转变约束(Policy shift constraint)的结合。与RRHF中所提到的一样，RLHF需要超参数以及四个模型，本文提出新的范式，支持以封闭的形式提取响应的最优策

姿态估计是动作识别的“基石”，提供细粒度的结构信息；动作识别则是姿态估计的“延伸”，关注更高层次的行为理解。实际应用中，它们常被集成到统一框架中，以实现更智能的人机交互。‌。

•在feature map上滑动窗口•建一个神经网络用于物体分类+框位置的回归•滑动窗口的位置提供了物体的大体位置信息•框的回归提供了框更精确的位置。