相似的图像（如同一个人的不同照片）在特征空间中距离很近不相似的图像（如不同人的照片）在特征空间中距离很远传统的分类损失（如交叉熵）需要预先知道所有类别，但在人脸识别中，我们可能会遇到训练时没见过的新人脸。Triplet Loss通过学习一个嵌入空间（Embedding Space），使得相似样本靠近，不相似样本远离，从而解决这个问题。三元组结构目标DapαDanDapαDan损失函数L∥fa−fp

关键配置参数类别参数值说明模型model_pathQwen2.5-VL-7B-Instruct基础视觉-语言模型数据train_filesjourneybench-multi-image-vqa@train多图像VQA训练集val_filesjourneybench-multi-image-vqa@test多图像VQA测试集rollout_batch_size256Rollout批次大小limit

下面这版是面向「全模态训练与工程落地」的解释：把 RoPE → M-RoPE →串起来，并把与一个讲清楚。关键结论与出处均在段尾给出引用。

分阶段编码器训练→ 保持独立感知能力早期跨模态融合→ 建立强跨模态关联32K 长上下文→ 支持真实世界任务Qwen3-Omni 的预训练是一个精心设计的三阶段渐进式训练过程，旨在构建一个能够在文本、图像、音频和视频等多模态上达到 SOTA 性能的统一模型。渐进式训练: 从编码器对齐 → 通用训练 → 长上下文，逐步提升能力早期融合: 从预训练早期就引入跨模态数据，建立更强的跨模态关联独立感知: 通

🎯 架构创新✅ Thinker-Talker解耦设计✅ MoE架构支持高并发✅ 多码本自回归生成✅ 轻量级ConvNet合成🎯 算法创新✅ TM-RoPE时间对齐位置编码✅ 异步分块预填充✅ 仅左上下文流式生成✅ AuT通用音频编码器🎯 性能突破✅ 234ms超低首包延迟（音频）✅ RTF<1全并发场景✅ 6并发下仍保持流畅✅ 端到端统一训练Thinker（思考者）：负责理解和文本生成处理多

一般情况下，CNN网络的深度和效果成正比，网络参数越多，准确度越高，基于这个假设，ResNet50（152）极大提升了CNN的效果，但inference的计算量也变得很大。这种网络很难跑在前端移动设备上，除非网络变得简洁高效。- 基于这个假设，有很多处理方法，设计层数更少的网络、更少的卷积和、每个参数占更少的字节等等。- 为了让神经网络模型能很好地运行在前端移动设备上，PVANet、MobileN

随机梯度下降

人工智能-推荐系统-模块02：离线推荐模块【基于LFM模型的推荐（ALS算法）、基于物品的协同过滤推荐（Item-CF）、基于用户的协同过滤推荐（User-CF）、基于内容的相似推荐（Tf-idf）】

可解释机器学习在这几年慢慢成为了机器学习的重要研究方向。作为数据科学家需要防止模型存在偏见，且帮助决策者理解如何正确地使用我们的模型。越是严苛的场景，越需要模型提供证明它们是如何运作且避免错误的证据关于模型解释性，除了线性模型和决策树这种天生就有很好解释性的模型意外，sklean中有很多模型都有importance这一接口，可以查看特征的重要性。其实这已经含沙射影地体现了模型解释性的理念。只不过传

- Imitation Learning（模仿学习）是从给定的展示中进行学习。机器在这个过程中，也和环境进行交互，但是，并没有显示的得到 reward。- 在某些任务上，也很难定义 reward。如：自动驾驶，撞死一人，reward为多少，撞到一辆车，reward 为多少，撞到小动物，reward 为多少，撞到 X，reward 又是多少，诸如此类。。。- 另外，某些人类所定义的 reward，可