从表中可以看出，基于重要性的剪枝依赖人工设计的重要性评价准则，在低压缩率下尚能保持精度，但随着剪枝比例提升，精度会出现明显下降；而基于搜索的剪枝将剪枝视为结构搜索问题，通过强化学习、演化算法、可微分搜索等策略自动优化通道配置，能够在更高压缩率下更稳定地保持模型精度。其中，DMCP、AutoSlim 等可微分搜索剪枝方法，在搜索效率与性能上均表现突出，成为当前结构化剪枝的主流发展方向。

低秩近似就是模型轻量化的「拆箱大师」，把卷积/全连接层里“又大又笨的大矩阵运算”，拆成“小巧灵活的小矩阵运算串联”，用几乎不丢精度的代价，让模型变轻、硬件提速；而且分解后模型结构依旧规整，普通硬件能直接用，是YOLO这类落地模型轻量化的主流方法，和结构化剪枝搭配使用，能完美满足机器人场景对“轻量、实时、高精度”的需求。

拆零散的非结构化剪枝，更像“纸上谈兵”，理论数据好看，实际用不上；拆整块的结构化剪枝，才是工程落地（比如机器人的YOLO轻量化）的主流，能真正实现模型“又轻又快”。

✅ Ultralytics8.0+PyTorch2.1环境搭建完成，基于Conda管理，无版本冲突，可正常训练与推理；✅ 机器人场景COCO子集整理完毕，共8000张（7000训+1000验），YOLO标准格式，可被Ultralytics正常识别；✅ YOLOv8n基础训练跑通，50轮训练收敛良好，无报错，数据集与模型兼容性验证通过；✅ 小障碍物mAP@0.5=0.68≥65%，达标；模型参数量、

基于Conda搭建Ultralytics8.0+PyTorch2.1专属环境，完成COCO2017机器人场景子集筛选（8000张，7000训+1000验），跑通YOLOv8n基础训练（epoch=50），小障碍物mAP≥65%，模型可正常输出推理结果，满足周验收全部目标。：全程使用Conda进行包管理与环境隔离，无pip命令使用，规避版本兼容问题；模型选用YOLOv8n（轻量化版本，适配机器人端算

模型优化与特定场景。

ELANv4骨干网络实现轻量化特征提取，C2fPN特征融合提升小目标检测精度，损失函数优化增强模型训练稳定性。与YOLOv8相比，YOLOv9在参数量减少15.6%的同时，推理速度提升17.9%小目标mAP提升3.4%，非常适合机器人室内小场景的目标检测任务。接下来的实操阶段，我将基于今天的理论学习，搭建Ultralytics8.0+PyTorch2.1环境，筛选COCO机器人场景子集，并进行YO

view()仅适用于连续张量，非连续需先；返回视图，修改会影响原张量；bmm无广播，批量矩阵相乘需保证batch数一致；dot对高维张量会展平，优先用matmul替代。

家族模型：一组“尺寸不同但隐藏特征对齐”的模型，共享中间计算结果（无需额外中间件转换），可灵活切换以适配端、边、云硬件。关键优势：灵活伸缩：参数规模可从数百万（端侧）到数十亿（云端）调整；高效协作：小模型的中间特征可直接被大模型复用，减少重复计算与数据传输。AI Flow的核心创新在于打破AI与通信的技术壁垒，通过“硬件分层协同+模型家族适配+智能交互涌现”的三位一体设计，解决了大模型落地的“资源

最近读了《高增长科技股投资法》，我发现这个很不错，也很符合这次周期的内容。于是用AI生成了一个概要记录，给朋友们分享一下做个参考。有时间推荐去读一下原书，内容很有意思，可惜的就是很多时候晚上太困了，看的时候脑袋瓜不甚清晰。没有链接很多其它的内容。