近年来，自动驾驶技术在全球范围内迅速发展，为日益严重的交通拥堵和道路安全相关挑战提供了有效解决方案。在各种范式中，端到端自动驾驶由于其简化的架构、增强的决策一致性以及出色的泛化能力，已经成为传统模块化系统的一个有前景的替代方案。本综述全面回顾了端到端自动驾驶的发展历程和核心技术，强调了模仿学习（IL）、强化学习（RL）等范式的应用与发展。此外，本文还重点介绍了由基础模型赋能的新兴范式，例如大型语言

人工智能作为一门多学科交叉的新兴技术科学，正日益成为推动机械工程变革的核心动力。传统机械工程正在从以力学、结构为核心的“硬件时代”逐步迈向以智能感知、数据驱动和自动决策为特征的“智能时代”。在智能制造、机器人技术、智能控制、设计优化、故障诊断、人机交互以及嵌入式AI等方向，AI与机械深度融合，推动机械工程从设计到运维实现数字化、智能化升级。越来越多机械专业师生开始探索基于机器学习、电机健康监测、视

CBAM（Convolutional Block Attention Module）是一种旨在提升卷积神经网络（CNN）性能的注意力机制模块。通过引入通道注意力（CAM）和空间注意力（SAM）机制，CBAM能够有效地提升模型的特征表达能力，专注于重要的通道特征和空间位置特征。其设计不仅轻量级且计算效率高，能在不增加模型复杂度的情况下显著改善性能。CBAM的即插即用特性使得它能够方便地集成到现有网络

MS-SWIFT是一个开源的大模型微调框架，支持500+大模型和200+多模态模型的高效训练与部署。本文重点解析了其微调参数配置：1）批次大小设置（per_device_train_batch_size）；2）梯度累积（gradient_accumulation_steps）用于显存优化；3）学习率预热（warmup_ratio）提升训练稳定性；4）数据加载并行（dataloader_num_wo

本节从多模态大模型（MLLM）的发展开始，重点介绍其架构演变和适应技术，如模态桥接和指令调优。随后，讨论了从多模态输入生成场景以及场景分析任务，包括视觉问答（VQA）、场景理解和自动驾驶环境中的风险评估。

分布式系统是由多个计算节点协同工作的系统，具有资源分散、容错性强等特点，类似于快递公司的多分部协作模式。多智能体系统（MAS）则由多个自主智能体组成，每个智能体能独立感知、决策和行动，如蚂蚁觅食的群体行为。两者的联系在于MAS本质上也是一种分布式系统，但更强调智能体的自主性和协作策略。区别在于分布式系统侧重任务协调，而MAS侧重智能行为。简言之，MAS就是在分布式系统基础上增加了智能和自治能力。

本文介绍了Qwen3-VL-2B视觉语言模型的安装与使用过程。首先通过pip安装所需依赖，然后使用ModelScope下载模型。在实践过程中遇到模型生成方法缺失、依赖缺失和网络连接超时等问题，通过改用Qwen2-VL-2B模型、安装缺失依赖和设置国内镜像源等方式解决。最终成功实现图片描述功能，模型能够详细描述图片内容，如人物状态和交通施工场景等。文中提供了完整的demo.py代码，包含模型加载、输

MMPretrain是基于PyTorch的开源深度学习预训练工具箱，由OpenMMLab项目开发。它整合了MMClassification和MMSelfSup项目，提供丰富的预训练主干网络（如ResNet、ViT）和训练策略，支持图像分类、检索、描述、视觉问答等多种任务。MMPretrain采用模块化设计，包含models、datasets、apis等核心组件，支持从预训练到微调的完整工作流程。安

人工智能作为一门多学科交叉的新兴技术科学，正日益成为推动机械工程变革的核心动力。传统机械工程正在从以力学、结构为核心的“硬件时代”逐步迈向以智能感知、数据驱动和自动决策为特征的“智能时代”。在智能制造、机器人技术、智能控制、设计优化、故障诊断、人机交互以及嵌入式AI等方向，AI与机械深度融合，推动机械工程从设计到运维实现数字化、智能化升级。越来越多机械专业师生开始探索基于机器学习、电机健康监测、视

人工智能作为一门多学科交叉的新兴技术科学，正日益成为推动机械工程变革的核心动力。传统机械工程正在从以力学、结构为核心的“硬件时代”逐步迈向以智能感知、数据驱动和自动决策为特征的“智能时代”。在智能制造、机器人技术、智能控制、设计优化、故障诊断、人机交互以及嵌入式AI等方向，AI与机械深度融合，推动机械工程从设计到运维实现数字化、智能化升级。越来越多机械专业师生开始探索基于机器学习、电机健康监测、视