在可预见的未来，会有与LLM同等的现象级的VLA通用模型出现，VLA 将推动智能机器人从 “工业专用” 走向 “家庭通用”，最终实现 “具身智能” 的终极目标 —— 机器人能像人类一样 “看、懂、做”，无缝融入物理世界与人类社会。

Deep Agents 是一个基于 LangGraph 构建的 Python 库，旨在解决传统 LLM 工具调用代理在处理长周期、复杂任务时表现"肤浅"的问题。它通过整合规划工具、子代理、文件系统访问和详细提示等功能，使代理能够更有效地处理长期复杂任务。该项目主要受 Claude Code 启发，并在其基础上进行了通用化改进。

本文介绍了一个基于OpenCV的雷达回波图光流法外推工具，支持Farneback、Lucas-Kanade和DIS三种光流算法。该工具提供完整的评估体系（TS、POD、FAR等指标），可实现多步外推预测，并通过反向映射技术确保输出图像连续平滑。DIS算法表现最佳（TS评分0.936），推荐用于雷达图像处理。项目提供命令行和API两种调用方式，适用于气象预测等场景，要求输入为时间连续的同尺寸雷达图像

本文系统介绍了跨模态对齐（尤其是CLIP模型）的学习路径。首先需要掌握深度学习、CV/NLP基础及对比学习原理。然后深入理解CLIP的核心思想：通过对比学习将图像和文本映射到同一语义空间，实现图文匹配。建议通过实践调用预训练CLIP模型或复现简化版来加深理解。最后，可扩展学习CLIP的改进模型如ALBEF、BLIP等，了解从独立编码到交互编码的演进。学习资源包括原始论文、代码库及相关课程。整体路径

QLORA（）是一种高效的大模型微调技术，通过4位NormalFloat（NF4）量化（针对正态分布权重的信息最优格式）、双重量化（量化量化常量，平均每参数节省0.37位）和分页优化器（利用NVIDIA统一内存避免显存峰值）三大核心创新，将65B参数模型的微调显存需求从>780GB降至<48GB，同时完全匹配16位全参数微调的性能；基于QLORA训练的Guanaco模型。

简单来说，浮点数用类似科学计数法的方式来表示一个很大或很小的数字。符号位：表示正负。指数位：表示数值的规模（例如，10的几次方）。尾数位：表示数值的精度（例如，1.234…）。FP16和BF16的区别就在于如何分配这16个比特（位）给这三个部分。特性FP16（半精度）BF16（脑浮点数）FP32（单精度）总位数16位16位32位符号位1位1位1位指数位5位8位8位尾数位10位7位23位动态范围较小

谷歌Earth AI 模型alpha earth的模型架构介绍及思想借鉴，对深度学习建模带来深刻启发。

QLORA（）是一种高效的大模型微调技术，通过4位NormalFloat（NF4）量化（针对正态分布权重的信息最优格式）、双重量化（量化量化常量，平均每参数节省0.37位）和分页优化器（利用NVIDIA统一内存避免显存峰值）三大核心创新，将65B参数模型的微调显存需求从>780GB降至<48GB，同时完全匹配16位全参数微调的性能；基于QLORA训练的Guanaco模型。

【代码】modelscope方式下载大模型。

长尾意图识别介绍和实战