要理解来说，其实还是和 Teacher 本身的蒸馏意义相关：而在于通过 Teacher 的预测结果，引导 Student 在优化过程中靠近一个“更合理的决策边界”，从而提升训练稳定性。比如真实标签是“狼”，但 Teacher 预测结果是“狐狸”，这样就可以让模型在“语义接近类别”之间间接引导模型学习更合理的决策边界。不过，在 Transformer 之前，蒸馏技术就已经出现，如果只是在 ViT 中

强化学习（Reinforcement Learning, RL）：让智能体通过与环境交互和"试错"，学习最优决策策略以最大化长期累积奖励。类比强化学习就像训练宠物：它做对了给奖励（零食），做错了不给奖励。慢慢地，它就学会做正确的事情。Q-Learning是强化学习最经典的入门算法，1989年由Watkins提出。核心思想：建立一个"Q表"，记录每个状态-动作组合的价值。Richard Sutton

敏感配置（数据库连接串、API Key）通过.env文件注入，不进入镜像。

深度学习框架上面的代码中，首先定义了模型的组件结构，其次forward是模型的流程结构。这是一个经典的“特征提取分类器”双阶段结构，分为两个阶段。第一阶段：特征提取（卷积神经网络），负责把像素变成“语义特征”。卷积层 1(Conv1)：初级特征提取（边缘、线条）in_channels=1 : 输入是灰度图（1个通道）out_channels=32: 派出32个不同的“侦探”（滤波器）kernel_

在 AI 训练、数据集管理等大规模文件访问场景中，随着文件数量和访问并发增加，元数据层往往更早成为性能瓶颈。无论是删除百万级小文件、克隆大规模数据集，还是高并发目录遍历，元数据引擎的响应能力都会直接影响上层业务效率。

敏感配置（数据库连接串、API Key）通过.env文件注入，不进入镜像。

执行引擎的异步运行时基于 Tokio，充分利用 Rust 的无 GIL 原生并发特性，多个节点可以真正并行执行——这是 Python 版 ComfyUI 的 asyncio 无法做到的。

（无限循环，不受主线程控制）：SpaceMouseExpert（硬件驱动必须持续轮询，否则丢失输入事件）、VideoCapture（相机帧率 30fps，必须持续读取避免帧堆积）、BroadcastClient（随时可能收到 Learner 参数，必须持续监听）、ReqRep Server（随时可能收到 Actor 数据，必须持续监听）、Robot Server 各进程（机器人控制器必须持续运行，