MTK框架可以分为两部分，AP和SCP。AP是主芯片，SCP是协处理器，他们一起工作来处理sensor数据。SCP 是用来处理sensor和audio相关功能和其他客制化需求的一个协处理理器，MTK SCP选择freeRTOS作为操作系统，CHRE是处理传感器相关操作的专门任务。kernel层负责汇总处理sensor传输上来的数据，以及处理应用层传递下来的指令。

紫色光线代表经过上半部分透镜的光线，蓝色代表经过下半部分透镜的光线，可以看到，CCD在焦前的时候上半部分的CCD接收到的是上半部分的光线，下半部分接收的是下半部分的光线，在焦后的时候，是相反的，上半部分接收的是下半部分的光线，下半部分接收的是上半部分的光线。PDAF sensor的一种实现如上图所示，在CMOS上面一半的位置加了金属遮盖，这样，被遮住左边一半的像素点就只能接受右边来的光，同理，pa

这个比较复杂, 大自然绚丽多彩,景色万千. 上一步中统计的”白色点”难免会有失误的地方,比较常见的如黄色皮肤容易被误判为低色温下的白点,淡蓝色的窗帘,容易被误判为高色温下的白点,一张图中既有白色,也有黄色,也有蓝色的时候,是不是感觉情况有点复杂,其它的大家可继续脑补.OTZ) (如下图).上面提到了三个值(RG,BG,色温),这应该是个三维的.没关系,我们再来一条RG跟色温的曲线,这样只要知道色温

大语言模型（LLM）本质上是基于统计预测的文本生成系统，通过Transformer架构处理海量数据，学习语言模式并预测最可能的词语序列。其核心运作包含三个阶段：1）输入文本被分词为token并编码为向量；2）通过自注意力机制和多层Transformer处理上下文；3）以自回归方式逐词生成输出。模型训练采用预训练（学习通用语言规律）和微调（优化特定任务表现）两阶段模式。尽管能生成流畅文本，LLM并不

大语言模型（LLM）本质上是基于统计预测的文本生成系统，通过Transformer架构处理海量数据，学习语言模式并预测最可能的词语序列。其核心运作包含三个阶段：1）输入文本被分词为token并编码为向量；2）通过自注意力机制和多层Transformer处理上下文；3）以自回归方式逐词生成输出。模型训练采用预训练（学习通用语言规律）和微调（优化特定任务表现）两阶段模式。尽管能生成流畅文本，LLM并不

Transformer模型是自然语言处理领域的革命性突破，其核心创新在于自注意力机制和并行化处理能力。该模型由编码器和解码器组成，通过嵌入层将离散符号转化为连续向量，并引入位置编码保留序列信息。自注意力机制能有效捕捉长距离依赖关系，多头注意力则进一步增强了模型的表达能力。Transformer不仅主导了NLP领域，还扩展到计算机视觉等多个AI子领域。随着BERT、GPT等变体的发展，Transfo

AI Agent：从静态工具到动态执行体的进化 AI Agent（智能体）是具备自主决策与任务执行能力的智能系统，其核心特征包括环境感知、目标理解、工具调用和持续优化。不同于传统AI的被动响应模式，AI Agent通过"感知-决策-执行"闭环实现动态任务处理，能自主规划行动路径并实时调整策略。典型架构包含增强LLM（调用外部工具）、链式提示（分步任务处理）和指挥-工人（主从协作）三种模式，适用于代

AI Agent：从静态工具到动态执行体的进化 AI Agent（智能体）是具备自主决策与任务执行能力的智能系统，其核心特征包括环境感知、目标理解、工具调用和持续优化。不同于传统AI的被动响应模式，AI Agent通过"感知-决策-执行"闭环实现动态任务处理，能自主规划行动路径并实时调整策略。典型架构包含增强LLM（调用外部工具）、链式提示（分步任务处理）和指挥-工人（主从协作）三种模式，适用于代

Transformer模型是自然语言处理领域的革命性突破，其核心创新在于自注意力机制和并行化处理能力。该模型由编码器和解码器组成，通过嵌入层将离散符号转化为连续向量，并引入位置编码保留序列信息。自注意力机制能有效捕捉长距离依赖关系，多头注意力则进一步增强了模型的表达能力。Transformer不仅主导了NLP领域，还扩展到计算机视觉等多个AI子领域。随着BERT、GPT等变体的发展，Transfo

Transformer模型是自然语言处理领域的革命性突破，其核心创新在于自注意力机制和并行化处理能力。该模型由编码器和解码器组成，通过嵌入层将离散符号转化为连续向量，并引入位置编码保留序列信息。自注意力机制能有效捕捉长距离依赖关系，多头注意力则进一步增强了模型的表达能力。Transformer不仅主导了NLP领域，还扩展到计算机视觉等多个AI子领域。随着BERT、GPT等变体的发展，Transfo