本文提供一套无ALOHA真实机器人、仅依靠MuJoCo仿真环境的ACT完整复现流程，适配Ubuntu服务器/本地台式机，全程使用Conda管理Python环境，覆盖系统依赖安装、仓库部署、仿真数据集生成、模型训练、仿真评估、报错排查全流程，完全基于官方仓库内置仿真任务，新手可一键跟着命令复现。适用场景：实验室远程服务器、无实体机械臂、仅做算法仿真验证、复现ACT论文基线效果。

通过 Node.js + Codex CLI + CC-Switch 本地路由的组合，即可在 Windows 环境下低成本搭建 AI 编码辅助环境，无需官方订阅账号、无需全局代理，即可使用 GPT-5.5 等大模型完成代码生成、项目重构、报错排查等工作。配合 VS Code 远程开发能力，还可进一步对接服务器算法项目，大幅提升开发效率。

通过 Node.js + Codex CLI + CC-Switch 本地路由的组合，即可在 Windows 环境下低成本搭建 AI 编码辅助环境，无需官方订阅账号、无需全局代理，即可使用 GPT-5.5 等大模型完成代码生成、项目重构、报错排查等工作。配合 VS Code 远程开发能力，还可进一步对接服务器算法项目，大幅提升开发效率。

本文完整覆盖了 VS Code 从本地安装、远程服务器连接、AI 编码插件配置，到工业级算法环境部署的全流程。本地轻量编辑，算力全部下沉到服务器，兼顾开发体验与计算性能Codex 本地生成代码，API 密钥不上传服务器，降低数据安全风险Remote-SSH 无缝衔接文件、终端、调试，一体化开发效率更高。

本文完整覆盖了 VS Code 从本地安装、远程服务器连接、AI 编码插件配置，到工业级算法环境部署的全流程。本地轻量编辑，算力全部下沉到服务器，兼顾开发体验与计算性能Codex 本地生成代码，API 密钥不上传服务器，降低数据安全风险Remote-SSH 无缝衔接文件、终端、调试，一体化开发效率更高。

FLpt−αt1−ptγlog⁡ptFLpt​−αt​1−pt​γlogpt​FL⋅FL(⋅)FL⋅是Focal Loss（聚焦损失），损失函数的整体表示，用于衡量模型预测与真实标签的误差。ptp_tpt​是模型对真实类别的预测概率。αtα _tαt​是类别平衡权重（alpha 因子），用于进一步平衡正负样本的数量差异。

统一框架：用SDE统一离散扩散与分数匹配模型正向SDE：数据→噪声，3种范式VE/VP/sub-VP反向SDE：噪声→数据，靠分数函数∇log⁡ptx∇logpt​x训练：去噪分数匹配，MSE损失采样：Predictor-Corrector，精度最高概率流ODE：确定性采样+精确似然条件生成：无条件模型直接用，修复/上色/条件生成全搞定这篇是扩散模型理论天花板，吃透它，后续所有改进（Consist

不依赖batch size：大模型训练时，batch size经常只有几十甚至几，BN完全失效。序列长度无关：Transformer处理的序列长度不固定，LN在每个时间步独立计算，不需要存历史统计量。训练更稳定：Transformer的层数非常深（GPT-4有上千层），LN的隐式学习率调节能有效防止梯度爆炸/消失。现在，所有的Transformer架构都遵循“Pre-LN”的设计：在注意力和前馈网

证明了自然语言监督可以训练出通用的视觉模型，打破了CV对标注数据的依赖提出了对比学习的图文对齐范式，现在所有的多模态大模型（LLaVA、BLIP-2、GPT-4V）都基于这个思路展示了零样本迁移的强大能力，让CV模型从“专用工具”变成了“通用平台”CLIP之后，CV进入了“多模态大模型时代”。现在的VLM不仅能识别图像，还能理解图像内容、回答问题、生成描述，甚至能调用工具完成复杂任务。当视觉和语言

高效性：冻结两个预训练大模型，只训练188M参数的Q-Former，算力成本降低了54倍通用性：可以接入任何现成的图像编码器和LLM，轻松享受单模态领域的最新进展强大性能：在多个下游任务上取得state-of-the-art结果，特别是零样本能力远超之前的模型多轮数据集：创建包含多轮图文交互的数据集，让BLIP-2具备上下文学习能力更强的单模态模型：接入更新、更强的图像编码器（如ViT-G）和LL