本文说明在 target=cuda下，TVM 如何将 Relax 计算图编译为最终可执行代码，以及模型各层如何映射到具体算子实现（TVM 自研 CUDA kernel、cuBLAS 等 BYOC 后端）。

WAE（Wan VAE）是一个3D 视频变分自编码器（KL-VAE）：把高维像素视频压进低维、低分辨率的 latent 时空网格，DiT 等生成模型在 latent 里做扩散 / flow matching，最后再 decode 回像素。像素视频 ←──decode── latent（紧凑语义 + 时空结构） ←──DiT 去噪── 噪声│ ▲没有 VAE，DiT 就要直接在上工作，算力和显存都不

对视频特征在通道维 C上归一化（dim=1# 对每个固定 (b, t, h, w)，令 v = x[b, :, t, h, w] ∈ R^Cv_norm = v / ||v||_2 # F.normalize，L2 归一化（非 LayerNorm 的减均值）gammashape 为时），在 T,H,W 上 broadcast。与LayerNorm不同：RMS/L2 norm不减均值，只做范数缩放；

图抽象是将 ML 模型表示为有向图的过程：节点表示计算操作（例如矩阵乘法、卷积），边表示这些操作之间的数据流动。这种抽象使编译器能够分析模型不同部分之间的依赖与关系。

我们提出——首个开放的双系统视觉-语言导航（Vision-Language Navigation, VLN）基础模型。System 2 的像素目标（pixel-goal）规划，以及System 1 的敏捷执行。我们为此框架设计了课程式两阶段训练范式：首先，以显式像素目标作为监督或条件，分别预训练两个系统；随后冻结 System 2，并以异步端到端方式微调新引入的潜在规划（latent plans）

跨 GPU 硬件：测量 NVIDIA GPU 的性能指标，而非纸面峰值。支持独立显卡（如）与集成式 Jetson 平台（如。

TVM 的 C++ 产物被拆成多个共享库，职责清晰、可按需部署。本文按和说明各库的功能与作用。

跨 GPU 硬件：测量 NVIDIA GPU 的性能指标，而非纸面峰值。支持独立显卡（如）与集成式 Jetson 平台（如。

model_optimizer 结合开源模型端侧框架，分析端侧模型部署的一般流程，技术细节，关键流程本文总结 LLM / VLM / VLA 在嵌入式设备（Jetson Orin、Drive Thor、边缘 GPU、BPU 等）上的 通用部署流水线，不绑定具体工具链。文中 §3.1 量化 · §3.2 导出/重写 · §3.3 编译 · §3.5 精度验证 可独立阅读；三项目（TensorRT-E

Docker和iptables在linux上,docker通过设置iptables规则来实现网络隔离.这属于内部实现,你也不应该插入iptables规则来修改docker规则.但是,如果你想在docker管理之外添加自己的规则,你可能就需要了解这些细节了.如果你的docker运行在连网的主机上,你可能想通过iptables限制对容器或者其他服务的未受权的访问.本篇文章会介绍如何实现这些功能及需要注