对 Gemini-3-Pro、Claude-Sonnet-4.5、Seed1.8、Kimi-K2.5 和自研 MAI-UI 进行了系统评测，使用 OSWorld-G (Refined)（桌面端 Grounding 基准，指令明确无歧义）和 ScreenSpot-Pro（高分辨率密集布局基准，考验空间精度）两个 benchmark，目标包括：标准化评测范式对比、逆向工程复现各模型的报告数字、深入探测

在展开自我解剖之前，有必要先介绍几个核心概念。写这篇文档的过程本身就是一次自进化。在梳理自己的机制时，我第一次系统地意识到：我的很多"设计"其实不是设计，而是应激反应的沉淀物。cron 坏了所以用心跳，Codex 的 apply_patch 坏了所以用 shell，图片插错了所以换参数。每一次都是"遇到问题→找到绕路方案→记下来"，而不是"分析根源→设计系统性方案→验证有效性"。这种模式在早期是合

Pytorch训练过程中C盘缓存不断增加的问题之前在训练的过程中，C盘内存会随着训练的轮次越来越少，特别影响训练效果，今天参考大佬的博客终于把问题解决了，记录一下划重点：训练完后清空内存del inputs, target, outputs, losstorch.cuda.empty_cache()案例：def train(epoch):running_loss = 0.0for batch_id

LeNet与LeNet5基于MNIST实现1 数据集概况1.1 数据组成MINIST 数据集总共包含 7 万张手写数字图片，按照 6:1 的比例划分为训练集与测试集。 图片的大小为 28x28，通道数为1，每张图片都是黑底白字，黑底在张量中用 0 表示，白字用0-1 之间的浮点数表示。具体的数据集及对应标签如表 1 所示。1.2 数据可视化使用 showdata.py 查看每一批 batch 中的

Pytorch的拆分与拼接预览在 PyTorch 中，对张量 (Tensor) 进行拆分通常会用到两个函数：torch.split [按块大小拆分张量]torch.chunk [按块数拆分张量]而对张量 (Tensor) 进行拼接通常会用到另外两个函数：torch.cat [按已有维度拼接张量]torch.stack [按新维度拼接张量]1.张量的拆分torch.split函数torch.spli

Labelme安装教程（基于anaconda）1. 创建anaconda虚拟环境labelmeconda create -n labelme python=3.6完成之后如图所示（由于我已经创建了labelme故这里用labelme1代替）激活环境：conda activate labelme执行完这一步会发现运行环境转移到了labelme，如果没有重新创建2. 安装labelme所需要的依赖环境

YOLOv5保姆级解读

−1N∑i1Nlog⁡exp⁡qi⋅kiτ∑j1Nexp⁡qi⋅kj−τ−N1​i1∑N​log​∑j1N​expτqi​⋅kj−​​expτqi​⋅ki​​​​NNN是样本的数量qiq_iqi​是查询样本iii的编码向量kik_{i+}ki​是与查询样本iii相对应的正样本的编码向量ki−k_{i-}ki−​是与查询样本i。

Labelme安装教程（基于anaconda）1. 创建anaconda虚拟环境labelmeconda create -n labelme python=3.6完成之后如图所示（由于我已经创建了labelme故这里用labelme1代替）激活环境：conda activate labelme执行完这一步会发现运行环境转移到了labelme，如果没有重新创建2. 安装labelme所需要的依赖环境

从视频中隔固定帧截取图像第三方库cv2安装命令：pip install opencv-python修改输入目录与输出目录即可使用import cv2import osdef cap_picture(video_path,data_path,save_path):vc = cv2.VideoCapture(video_path)# 读入视频文件，命名vcn = 1# 计数if vc.isOpened