把 YOLO 从训练环境搬到国产算力上，真正难的不是跑通，而是把每一毫秒、每一分精度都榨出来。

把 YOLO 从训练环境搬到国产算力上，真正难的不是跑通，而是把每一毫秒、每一分精度都榨出来。

它让智能体像一个有经验的制作团队一样，先把故事和人物理清楚、把结构和爽点定下来，再写剧本、切分镜；shuohao-skills 是一个开源的智能体技能集合，由 5 个标准 Skill 组成，给 Claude Code 和 Codex 使用，报告支持中英双语。各技能的质量门数量在 10–16 道不等（公开资料中大纲、美术、剧本、分镜分别约为 13、11、10、16 道，随版本更新，以官方为准）nov

一个 4 亿参数的模型、不到 1GB 内存、十几毫秒一次判断，且零输出 token、零云依赖——这让 AI 能够嵌入那些对延迟、成本和隐私都敏感的真实软件流程，比如实时拦截、工单分流、游戏和机器人控制。当通用大模型不断变大的同时，这类"小而专、本地可跑、结果可直接用"的决策模型，或许才是大量工程场景最需要的形态。它回答的不是开放问题，而是。移植中保留了 ModernBERT 的全局/局部注意力模式

而以 Lely、DeLaval 为代表的自由进出式挤奶机器人（AMS，Automatic Milking System），则把挤奶从"集中排班"变成了"奶牛随时来、机器人随时挤"——奶牛一天可以挤 4–6 次，产奶量和奶牛福利都更好，但这对"自动套杯"的可靠性提出了极高要求。乳头定位 +自动吸奶，正是农业机器人里少有的"刚需、高频、能算清账"的场景——把这件事做扎实，牧场才真正从"靠人盯着挤奶"走

这比大多数论文用的协议更难也更真实：那些论文直接喂 ground-truth 类别，等于把"这个框是人、那个框是自行车"的先验塞给模型，而部署时检测器给的标签是噪声的、词表外的、甚至缺失的。RA-4M 是目前少见的"既自由文本、又经过几何验证"的关系语料，做垂直场景（工业巡检、仓储、医疗影像）时，可以直接复用这套"编号框 + VLM + 几何门"的流程造自己的数据。但把两个物体放在一起问一句"谁在

想让 AI 帮你改一份现成的 Word，过去有两条路，都不好用：一是把文档贴进 ChatGPT，让它改完再复制回来——结果 Word 的排版、样式、表格、公式全没了；这是它和"重排版"工具最本质的区别。GenOffice 的做法更像"打补丁"：AI 只在你指定的段落上做局部修改，文档其余部分的字节原样保留，保存时只写回被改动的片段。"一句话改文档"听上去像普通 AI 聊天，但 GenOffice

需要理解与识别，给机器人一双双目；需要安全与测量，给它一副闪光雷达；而真正聪明的机器人，通常两个都要。

但精确定位是另一类问题——它要求模型不仅知道"这是什么"，还要确定"它在哪""边界在哪""有几个实例""哪一个匹配给定描述"。OVDEval 的挑战在于：模型不仅要识别开放类别，还要处理更复杂的语言标签和硬负样本——必须区分"真正匹配描述的目标"和"看起来相似但实际不匹配的目标"。能回答"这是什么"，却回答不了"左边第二个穿黑衣服的人在哪"。主编码器保证模型"看得懂"，辅助编码器保证模型"看得清"

项目代码结构清晰：src/为核心源码，include/libvideo2x/为可复用的C++库（libvideo2x是项目的核心引擎，其他程序可以通过链接这个库复用视频增强能力），models/集中存放四套算法的模型文件，docs/book为mdBook文档，tools/video2x是命令行入口，packaging/维护各发行版打包配置，scripts/包含Anime4K着色器管理脚本。传统播放