文章摘要 Embodied-Reasoner是一个多模态具身模型，扩展了深度推理能力至具身交互任务，支持AI2THOR仿真环境中的复杂操作（如物体搜索、搬运）。其核心能力包括：深度推理（分析/空间推理/规划）、多模态处理（图像-文本序列）及环境交互（自主探索）。复现流程涵盖环境配置（Conda+AI2Thor）、模型部署（通义千问权重）、任务合成（JSON模板生成）及轨迹生成（单/多步骤任务），并

HumDex 是一个面向人形机器人 全身灵巧操作的便携式遥操作系统。

OpenVLA-OFT：高效并行解码的连续动作生成方案 传统OpenVLA采用自回归解码和离散动作表示，存在效率低、精度差等问题。OpenVLA-OFT通过三大改进优化性能： 并行解码：将自回归改为单次前向传播生成动作分块，显著提升推理效率； 连续动作表示：直接输出连续动作向量，避免离散化带来的精度损失； L1回归目标：替换交叉熵损失，提升训练收敛速度和动作精度。 对比其他方法（如扩散建模和流匹配

本文介绍了基于Qwen3-VL模型的物体检测方法，支持批量检测指定类别物体并输出LabelMe格式标注文件和可视化结果。该方法利用Qwen3-VL视觉语言模型实现端到端检测，无需额外训练检测器，通过自然语言提示词约束模型输出。系统提供标准化输出和可视化功能，支持将检测结果自动转换为LabelMe标注格式，并设计了强容错的结果处理机制。文章详细介绍了transformers和vLLM两种实现版本，包

本文介绍了一个通用化的HuggingFace模型缓存处理工具，能够自动解析snapshot目录下的软链接，生成文件名到blobs真实文件的映射关系。该工具支持任意符合HF标准缓存结构的模型（包括多模态模型），无需硬编码文件哈希/名称。提供两种处理模式：复制文件（保留元数据并验证完整性）或创建软链接（节省磁盘空间）。通过命令行参数可灵活指定源目录和目标目录，自动处理包括模型权重、配置文件、分词器等所

本文介绍了使用开源项目Psi0训练Unitree G1人形机器人的完整流程。首先详细说明了代码下载、uv安装和环境搭建步骤，包括Python依赖管理和虚拟环境配置。然后介绍了9个真实世界操作任务的数据集，包含双臂协调、精细操作等技能，并提供了批量下载脚本。文章还展示了数据可视化方法，通过修改代码解决兼容性问题。最后详细描述了模型微调和离线推理过程，包括模拟数据和真实数据的处理方式，提供了完整的推理

本文介绍了使用EasyR1框架对Qwen3-VL模型进行强化微调的完整流程。EasyR1是LLaMA-Factory作者开发的强化学习框架，支持多种强化学习方法。文章详细说明了从代码获取、环境配置到具体训练的操作步骤，包括创建conda环境、安装依赖库、配置训练脚本等关键环节。重点展示了数学推理强化训练示例，涉及奖励函数定义、提示词格式设置和训练脚本编写。同时提供了自定义训练的建议，包括准备奖励函

本文分享如何使用docker获取Nvidia 镜像，包括cuda10、cuda11等不同版本，cudnn7、cudnn8等，快速搭建深度学习环境。

前言本文记录docker保存镜像、打包tar、加载tar镜像。一、docker保存镜像作用：在现在容器镜像上保存镜像进行打包，在另一台服务上使用；或现有的容器安装了一些库，配置了开发环境，需要保存下载，下次加载后直接使用。1.1 首先查看下现有容器镜像（目的是查询需要保存镜像的ID）docker ps -a1.2 接下来用commit参数进行保存镜像（精简版）docker commit7ca736

下面的内容适合于初学者更好地对 不同的神经网络模型 能形象的了解。官网地址：http://playground.tensorflow.org/下图是主界面：参数说明：1）Problem type 问题类型（是分类问题，还是回归问题，可以选择）classification 分类regression 回归2）Epoch 迭代次数...