这段视频演示了在DGX Spark上安装Ollama并本地部署Qwen3.5 122B大模型的过程。主要内容包括：1）通过命令行安装Ollama；2）下载122B参数的Qwen3.5模型（ollama pull指令）；3）运行模型时观察到占用近90GB内存，温度达70℃；4）指出未量化版本响应速度较慢，性能表现欠佳，但强调这是122B参数量与有限内存带宽的原始状态。视频链接提供了完整操作演示。(1

摘要：本文介绍了基于MuJoCo仿真环境的机械臂强化学习避障方法。使用PPO算法训练机械臂在存在障碍物的环境中完成目标点到达任务，设计了包含关节角度、目标位置和障碍物信息的观测空间，以及考虑距离奖励、碰撞惩罚等多因素的复合奖励函数。通过随机生成障碍物和目标位置增强泛化性，最终实现了约100%的成功率。代码采用并行训练加速，支持训练/测试模式切换，并提供了可视化工具和性能监控功能。

运行demo，有四个版本3B，7B，32B，72B，3B的比较小，但比较傻，下载比较快。创建conda环境，实测22.04，python3.10没什么依赖或者冲突的问题出现。Qwen2.5-VL视觉大语言模型复现过程，没碰到什么坑。实际运行起来，通过gradio起了一个Web。第一次加载会先下载model，大概7个多G。今天复现下Qwen2.5-VL玩玩。下载源码，安装相关依赖。

仓库地址：git@github.com:sunsmarterjie/yolov12.git。下载yolov12s pre-trained的模型。登陆http://127.0.0.1:7860/5分钟，带你复现YOLOv12进行目标检测。conda创建Python 3.11环境。

摘要：视频分享了分层动作级规划在具身智能中的应用，重点介绍了动作原语(motion primitive)作为基本动作模块的作用及其组合形成技能的过程。内容涵盖GPTR、CaP等基于大模型的规划方法，分析了现有技术在多模态感知、实时性和泛化性方面的局限性。同时介绍了CoPa等分层架构如何结合大模型推理与轨迹优化，通过粗到细的部件定位机制实现精准操作。视频还讨论了任务导向抓取和运动规划的具体实现方法，

摘要：视频分享了分层动作级规划在具身智能中的应用，重点介绍了动作原语(motion primitive)作为基本动作模块的作用及其组合形成技能的过程。内容涵盖GPTR、CaP等基于大模型的规划方法，分析了现有技术在多模态感知、实时性和泛化性方面的局限性。同时介绍了CoPa等分层架构如何结合大模型推理与轨迹优化，通过粗到细的部件定位机制实现精准操作。视频还讨论了任务导向抓取和运动规划的具体实现方法，

摘要：视频分享了分层动作级规划在具身智能中的应用，重点介绍了动作原语(motion primitive)作为基本动作模块的作用及其组合形成技能的过程。内容涵盖GPTR、CaP等基于大模型的规划方法，分析了现有技术在多模态感知、实时性和泛化性方面的局限性。同时介绍了CoPa等分层架构如何结合大模型推理与轨迹优化，通过粗到细的部件定位机制实现精准操作。视频还讨论了任务导向抓取和运动规划的具体实现方法，

摘要：本文介绍了在MuJoCo仿真环境中进行相机标定的方法。通过使用OpenCV对虚拟相机进行内参标定，采集不同姿态下的棋盘格图像，利用cv2.calibrateCamera计算相机矩阵和畸变系数。同时对比了直接通过MuJoCo相机FOV参数计算的内参矩阵，验证了标定结果的准确性。文中详细说明了图像采集、角点检测、标定计算等关键步骤，并提供了相关代码实现和视频教程链接。

github一步一步教你建仓库并使用git下载git，官网比较慢，用这个链接下载。点击这里选择最新的windows版本根据电脑的位数选择安装包。一步步安装完后，徽标+R键，输入命令行cmd。输入git，回车，下方有一大堆说明就表示git安装好了。在开始菜单中找到bash程序打开。生成本机的密钥。在bash中输入ssh -keygen -t rsa -C "登录github所用的邮箱...

摘要：本文介绍了基于MuJoCo仿真环境的机械臂强化学习避障方法。使用PPO算法训练机械臂在存在障碍物的环境中完成目标点到达任务，设计了包含关节角度、目标位置和障碍物信息的观测空间，以及考虑距离奖励、碰撞惩罚等多因素的复合奖励函数。通过随机生成障碍物和目标位置增强泛化性，最终实现了约100%的成功率。代码采用并行训练加速，支持训练/测试模式切换，并提供了可视化工具和性能监控功能。