当模型学会“指给你看“:Grounded Reasoning 的真实收益边界与 BrickVision 复现笔记

C++笔记之初始化一个对象、实例化一个对象,官方说法辨析 这两件事发生在不同层面:一个在编译期生成类型,一个在运行期(或常量求值期)构造对象。C++ 没有对应机制。在 Java 里,类加载后有"类初始化",即执行。这些都是对象或变量的初始化,不是类本身的初始化。 阅读详情

从今天觉醒,技术赋予每一个人数字生命


当模型学会"指给你看":Grounded Reasoning 的真实收益边界与 BrickVision 复现笔记

上周把一条视觉 CoT 流水线从纯文本推理切到带坐标 grounding 的版本,业务方第一反应是"计数终于对了",第二反应是"KPI 怎么没动"。这个反差基本就是当前 grounded reasoning 研究的缩影:它在某些任务上收益明确,在另一些任务上几乎为零,而多数公开 benchmark 恰好落在后者。本文按"先看效果 → 再讲原理 → 动手实现 → 踩坑记录"的顺序,把这条链路拆开讲清楚,并复现一个能证伪"grounding 万能论"的最小实验。

背景与痛点

视觉推理里让模型在 CoT 中输出 (x1, y1, x2, y2) 这类坐标,直觉上是在给推理"锚点":模型不用在自然语言里反复描述"左边那个红色的、被遮挡了一半的物体",而是直接指向像素区域。工程上这条链路很贵——需要 grounding 标注、需要模型具备坐标回归能力、推理时 token 数上升 30%~60%,还要处理坐标归一化与分辨率对齐。如果收益只体现在计数类任务上,那把它作为默认配置就是纯粹的算力浪费。

更麻烦的是评估口径。我们内部用一套空间关系 QA 做回归测试,切到 grounded 版本后指标几乎持平,但人工抽查发现模型"想对了、说错了"的比例明显下降。这说明现有 benchmark 的文本参考答案本身就能被纯语言先验解掉,grounding 的增量被淹没在指标噪声里。要判断该不该上,必须回答两个问题:模型到底有没有在思考链里用它输出的坐标?以及任务本身是否需要坐标?

An abstract conceptual scene showing a dark canvas

方案设计

我们放弃了两条路:一是直接用现成 VLM 的坐标输出做端到端评估(无法区分"输出坐标"与"使用坐标");二是纯人工标注归因(成本不可控、不可复现)。选定的方案是因果干预式消融:在同一训练 recipe 下训练三个变体——完整 grounded、坐标被 mask 掉的 grounded、纯文本 CoT——然后用一个"grounding 利用率"探针测量模型在生成后续 token 时对坐标 token 的注意力/依赖程度。

探针的实现思路是:在推理时把坐标 token 的 hidden state 替换为同位置的均值向量(类似 activation patching),观察最终答案的 logprob 变化。变化大说明模型确实依赖这些坐标;变化接近零说明坐标只是"写出来好看"。这个指标可证伪、可复现,且不需要额外标注。

核心实现

子节一:环境与数据管线

# Python 3.11, torch 2.5.1, transformers 4.46.2, accelerate 1.1.1
pip install torch==2.5.1 transformers==4.46.2 accelerate==1.1.1 pillow==10.4.0

数据侧统一把框归一化到 [0, 1000] 的整数网格(与主流 VLM 的坐标词表对齐),避免不同分辨率下的浮点误差。关键代码如下:

def normalize_box(box, w, h, grid=1000):
    x1, y1, x2, y2 = box
    return [round(x1 / w * grid), round(y1 / h * grid),
            round(x2 / w * grid), round(y2 / h * grid)]

def build_cot(sample, use_grounding=True):
    steps = []
    for obj in sample["objects"]:
        ref = f"<box>{normalize_box(obj['box'], *sample['size'])}</box>" if use_grounding else obj["desc"]
        steps.append(f"locate {ref} -> count +1")
    return "\n".join(steps) + f"\nanswer: {sample['count']}"

子节二:grounding 利用率探针

核心是对坐标 token 做 activation patching。注意要按 tokenizer 的实际切分定位 <box> 区间,而不是按字符偏移——这是第一个坑,后文详述。

import torch

@torch.no_grad()
def grounding_reliance(model, tok, prompt, coord_spans, answer_ids):
    base = model(**tok(prompt, return_tensors="pt")).logits[:, -1]
    base_lp = torch.log_softmax(base, -1)[0, answer_ids].mean()

    patched_lp = []
    for s, e in coord_spans:
        inputs = tok(prompt, return_tensors="pt")
        def hook(module, inp, out, s=s, e=e):
            out[:, s:e] = out[:, s:e].mean(dim=1, keepdim=True)
            return out
        h = model.model.layers[-1].register_forward_hook(hook)
        logits = model(**inputs).logits[:, -1]
        patched_lp.append(torch.log_softmax(logits, -1)[0, answer_ids].mean())
        h.remove()
    return (base_lp - torch.stack(patched_lp)).mean().item()

子节三:BrickVision 风格的最小合成任务

为验证"不可描述引用"假设,构造一个合成集:目标物体是随机拼接的纹理块,语言描述在词汇表上不可区分(同一描述对应多个不同位置),只有坐标能唯一确定。在这个集上对比三变体的准确率,就能复现论文的核心结论方向。

效果验证

在自建计数集(n=800)上,grounded 版本准确率 78.4%,纯文本 61.2%,差距显著;在空间关系 QA(n=1200)上三者分别为 64.1% / 63.5% / 62.8%,差异在置信区间内。grounding 利用率探针给出解释:计数任务上 patching 后 logprob 平均下降 0.83,空间 QA 上仅 0.07——模型在后者中基本没读坐标。合成"不可描述引用"集上,grounded 版本 71.6%,纯文本 33.9%,差距最大。复现命令与随机种子已固定在仓库 scripts/run_ablation.sh,单卡 A100 约 40 分钟。

边界与演进

结论有明确约束:当任务的语言描述足以唯一确定指称时,grounding 的边际收益接近零,此时上坐标是负优化(token 成本 + 标注成本)。它真正成立的条件是指称不可描述——纹理、遮挡边界、密集同类物体。局限在于探针只测最后一层、只测单步依赖,长链中的间接使用会被低估。下一步我们打算把 patching 扩展到多步、并引入跨层探针,同时把 BrickVision 式的合成数据纳入回归集,避免再被"文本可解"的 benchmark 误导。

踩坑记录:① 坐标 token 在 tokenizer 里常被切成多个子词,按字符偏移取 span 会错位,必须用 offset_mapping 反查;② 不同分辨率下归一化网格不一致会让 patching 命中错误位置,表现为 reliance 恒为 0,排障方法是先 dump 出 span 对应的原始文本核对;③ 探针在 batch size > 1 时若不做 padding mask,均值会混入 pad token,导致 reliance 虚高,务必逐样本跑或显式 mask。

VS Code + ESP-IDF:离线环境配置与示例工程编译全指南 本文详细介绍了在VS Code中离线配置ESP-IDF开发环境的完整流程。针对国内开发者常遇到的网络问题,指南提供了从Python环境准备、获取离线安装包、运行安装器到VS Code插件配置与示例工程编译的全套解决方案,确保环境搭建稳定、可控且高效。 阅读详情

相关推荐

论文阅读:SuperGaussians: Enhancing Gaussian Splatting Using Primitives with Spatially Varying Colors

Gaussian Splattings 在基于高斯显式表示的多视图重建中展示出了令人印象深刻的结果。然而,当前的高斯基元只有单视图依赖的颜色和不透明度来表示场景的外观和几何形状,导致了一种非紧凑的表示。在本文中,我们引入了一种名为“超高斯(SuperGaussians)”的新方法,它在单个高斯基元中利用空间变化的颜色和不透明度来提高其表示能力。我们实现了双线性插值、移动核,甚至是小型神经网络作为空间变化函数。

m0_48319749的博客 1510

TC264核心板高效布线技巧全解析学习笔记

为TC264核心板PCB布线,优化铺铜规则:焊盘发散线宽与间距设为0,自动适配大小焊盘,兼顾散热与防吸热。过孔默认24/12mil,布线模式设为阻挡,确保导线与铺铜安全避让。走线间距6mil,BGA扇出由内向外,优先连至排针;电源/GND就近打孔连内层,缩短环路。关键模拟/时钟电路紧贴芯片,走线短且独立。顶层用于长距离IO,底层用于局部连接,内层为电源地平面。电源去耦电容就近布局,减小噪声。底层铺铜后通过过孔连接顶层GND。删除排针丝印,添加3D丝印,完成整体布局。

comyccccc的博客 223

【报错】sqli-labs靶场搭建出现“Unable to connect to the database: security”

搭建sqli-labs靶场时,“Unable to connect to the database: security”报错解决

九芒星的博客 3001

UCOD-MKD论文阅读笔记

论文链接:Github代码:FGC:Fragementation Calculation。

m0_54239393的博客 190

别再只放按钮了!巧用微信小程序‘长按识别’功能,打造无缝加群体验

本文深入探讨了微信小程序'长按识别'功能在社群运营中的创新应用,通过简化加群流程至一步操作,显著提升用户转化率。文章详细解析了技术实现细节、UI/UX设计策略,并对比了与企业微信API的适用场景,为开发者提供打造无缝加群体验的完整解决方案。

weixin_42627853的博客 439

海康视觉脚本开发全流程解析

本文详细解析了海康机器视觉平台(VM)中脚本模块的开发全流程。从创建第一个脚本模块入手,深入讲解了输入参数、输出参数与内部变量的定义与区别,并提供了C#脚本编写、公用函数调用、代码结构组织以及编译调试的实用指南。旨在帮助开发者掌握海康视觉脚本开发的核心技巧,高效实现复杂的自定义视觉逻辑处理。

beer8的博客 604

黑客笔记安卓APP

以前我怎么都不理解为什么移动互联网取代了传统的互联网,直到今天我才明白,我自己开发的网站,我都不怎么上去看视频,导致我的课时进度基本上停滞不前,但是我开发了安卓APP之后,我的学习进度一下子就上去了,一节课就5-10分钟,中午睡前看一看,晚上睡前看一看,梦里自己都能化身成黑客。我一般也会在手机上听一听我自己做的课,我能感受到哪里讲的精彩,哪里讲的不好,这种内心的评价是稀缺资源,很多年以后,你可能不记得学过的知识了,但是你可能还记得自己对课程的评价,欲买桂花同载酒,终不似,少年游。

ailx10 236

Unity集成抖音小游戏:从IL2CPP配置到SDK接入全流程解析

本文详细解析了使用Unity开发抖音小游戏的完整流程。从关键的IL2CPP编译后端配置、PlayerSettings设置,到StarkSDK的接入与资源优化(如AutoStreaming),再到激励视频广告、录屏分享等核心功能的代码实现,提供了从环境准备到打包上传的全方位实战指南,帮助开发者高效完成技术适配。

weixin_27943395的博客 694

[LangChain] 学习笔记(004):嵌入模型——让机器第一次「算得出」两句话有多像

前三篇我们一直在跟「聊天」打交道:给一句话,模型回一段话。如果你想让机器判断「这两句话意思像不像」,它怎么判断?机器只认数字。你给它「我喜欢猫」和「我爱猫咪」,它看到的只是两串字符——比不了大小,也算不了距离。搭这座桥的东西,就叫嵌入。

一名在 Linux 与 C/C++ 世界里打怪升级的开发者。持续输出系统编程、网络编程、数据结构与算法的高质量学习笔记与实战总结 448

工业视觉降本300%实战:C# + 开源YOLO如何干掉Halcon/VisionPro?

在当前制造业普遍追求“降本增效”的大背景下,工业视觉检测系统作为产线的眼睛,其成本问题日益突出。通过该方案,我们成功帮助一家电子厂将单条产线的视觉检测成本从15万降低至不足5千(主要为工控机硬件成本),降本幅度超过95%,且系统稳定性经受住了6个月连续生产的考验。:C#负责“工程化”和“业务逻辑”,YOLO负责“智能算法”,二者结合,完美覆盖了工业视觉从算法到落地的全链路。的组合,构建一套高性能、低成本、易维护的工业视觉解决方案,并彻底替代昂贵的付费库。” 这是一个典型的误区。工业相机/USB相机。

2601_94871597的博客 433

物联网应用开发教程专栏介绍与说明——列表目录查阅(持续更新)

为方便查阅学习本专栏,特整理专栏介绍与说明及提供列表目录便于查阅。阿齐Archie《物联网应用开发教程》专栏。本专栏为物联网应用开发教程,将更新涵盖常见的WIFI、蓝牙、蜂窝网、以太网、Lora、NB-iot等物联网技术实战应用及详解其技术知识。专栏为技术文章,订阅一个文章即可本专栏内所有文章可看,实战开发,亲测无误,附视频演示效果,会持续更新本专栏。本专栏内有理论篇也有完整实战应用篇。

嵌入式阿齐Archie 2万+

小红书笔记发布时段怎么测?一份可复用的时段对照记录方法

先把一天划成几个常见区间(早间、午间、晚间、睡前),每个区间至少积累多篇样本再下判断。单篇数据波动大,连续三五篇的平均表现更有参考价值。同一账号、同一垂类、相近篇幅和封面风格的笔记,才适合放在一起对比。选题热度、封面质量差异太大时,时段因素会被掩盖,结论不可靠。做内容久了会发现,同一类选题在不同时间段发,互动表现能差出一截。与其凭感觉挑时间,不如用记录法把这件事量化下来。攒够一个月左右的数据后,按区间汇总互动均值,再结合自己的更新频率保留两个主力时段,其余作为测试位继续观察。

XMXFS的博客 204

39-高级优化技术:指令调度与乱序执行 - 手把手教你手写CPU

本文介绍了现代处理器设计中提高指令级并行性(ILP)的两种关键技术:指令调度和乱序执行。指令调度分为静态调度(由编译器完成)和动态调度(由硬件完成),后者能更好适应运行时情况但复杂度更高。乱序执行通过动态重排指令顺序提高硬件利用率,其核心组件包括重排序缓冲区、保留站和寄存器重命名。文章提供了保留站的Verilog实现示例,并分析了不同优化技术在性能、硬件开销和功耗方面的权衡。最终指出,CPU设计需根据性能、功耗等需求选择合适的优化技术。

2301_79143213的博客 88

GSV6502 HDMI2.1 @ACP分配芯片选型笔记

本文为项目选型记录,梳理 GSV6502 HDMI2.1 一分二分配芯片规格、适配场景与硬件调试注意事项,供双屏同源输出音视频方案评估参考。

ACP广源盛的博客 568

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

GSV2201S@ACP 硬件选型笔记

Type‑C 转 HDMI 的 Dongle 方案对板面积、BOM 成本、固件工作量都很敏感。GSV2201S 集成 PD3.0、MCU、Flash,单芯片完成 DP Alt Mode 转 HDMI2.0,本文整理硬件设计和调试踩坑经验,供做扩展坞、转接器的硬件工程师参考。

ACP广源盛的博客 189

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

云原生运维学习笔记:Kubernetes 集群手动安装与资源管理实战

本文详细记录了Kubernetes v1.30.2集群的手动安装与资源管理全过程。基于Ubuntu系统,通过netplan配置三台节点(1控制平面+2工作节点),完成主机名与静态网络设置。使用kubeadm config images pull预拉取镜像,避免初始化失败;随后执行kubeadm init,指定Pod网段为10.224.0.0/16,部署Calico网络插件。成功后,通过kubectl管理命名空间与上下文,实现资源隔离与环境切换。操作逻辑清晰,适用于生产环境搭建与故障排查参考。

2604_96593683的博客 429

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

防虫鼠监测传感采集方案,与图书馆库房温湿度环境数据融合分析开发笔记

本文介绍智慧图书馆库房一体化“十防”解决方案,聚焦温湿度监测、防火防盗防虫鼠等核心需求,构建以智慧库房为基础、十防一体化为链路、一站式平台为闭环的物联网集成体系。方案涵盖设计、部署、运行、优化全周期,强调三步走策略:明确库房范围、校准参数、验证平台,确保数据可采、状态可查、责任可溯。适用于档案馆、图书馆等高安全要求场景,具备可复制、可持续的工程价值。

honsor的博客 158

邮件安全智能体工程架构笔记:JSON预处理管道与CPU/GPU分层设计 方向标

智能体的入口是网关按内容生成的结构化JSON:正文、附件解析结果、图片OCR、二维码信息提前处理完毕,模型不消耗资源做解码识别。北京方向标信息科技有限公司(品牌:方向标FangMail)公开的分层式AI邮件安全防护方案,工程上有几处设计值得记录:三层职责边界、结构化JSON预处理管道、CPU/GPU算力分层、误报纠偏机制。高管、财务、采购、出纳、供应链、IT等核心岗位触发风险后异步预警;邮件安全智能体输出风险分类、置信度与完整分析依据,不直接输出拦截或放行指令,处置权留在网关与管理员侧。

weixin_55624786的博客 202

OpenAI Agents SDK 工程笔记 · Agent 的 prompt 怎么钉版本、注入变量,以及托管提示停用前的生产禁区

本文按 openai-agents 0.23.1 源码与官方文档,整理 Agent 的 prompt 如何钉版本、注入变量,以及 Chat Completions 默认忽略该参数的生产禁区。运行循环会同时取出 instructions 与 prompt,未写 version 时 SDK 不会补最新版。可复用 prompt 对象已弃用,v1/prompts 计划于 2026 年 11 月 30 日关闭,新代码应把正文迁回仓库。离线脚本只检查本地载荷,未调用供应商,未创建真实托管提示。

AIWritePaper-AI论文写作领先平台 45

C++笔记(面向对象)成员初始化列表

在 C++ 中,成员初始化列表在进入构造函数函数体之前,完成类成员变量的初始化。重点:初始化 ≠ 赋值。初始化是创建变量时直接给初值;赋值是变量已经存在之后,修改它的值。避免值拷贝开销,外部拿到引用可以直接修改原变量。反面坑:不要返回局部变量的引用,局部变量函数结束就销毁,引用变成野引用。

2501_91434366的博客 230

ESP32音频/语音技术(18)AI语音笔记系统

本项目实现“说完即记”语音笔记系统,基于ESP32与PC网关协同:ESP32采集16K/16bit PCM音频并分包上传,PC端调用豆包ASR2.0流式识别,自动追加至Markdown笔记。采用自定义TCP帧协议防粘包,状态实时回传,屏幕与灯光同步反馈。通过三层分离架构,将算力与密钥集中于PC,实现低成本MCU获得大模型级语音能力,兼顾安全性与可维护性。关键设计包括按键防抖、局部刷新防闪、事件驱动状态机及可观测日志,显著提升稳定性与调试效率。

91创客学堂 414

51 单片机学习笔记:LCD1602、独立按键、I2C 与 AT24C02 掉电存储(江科大课程小白笔记)

本文为江科大51单片机课程的学习笔记,专为C语言基础薄弱、首次接触单片机的“代码小白”设计。内容涵盖LCD1602显示、独立按键、I2C通信及AT24C02 EEPROM存储等核心模块,通过“人话”解析代码逻辑,重点讲解sbit位定义、数据类型差异、命令与数据写入流程、按键消抖、I2C起始/停止时序、字节收发及应答机制等关键概念,强调模块化编程与实际动手结合,帮助初学者理解底层原理,快速上手开发。

2301_81429079的博客 340

Arduino-MEGA-ESP单片机实验课笔记04计时-05温湿度-06串口-2026

本实验基于Wokwi平台,整合DHT22温湿度传感器、DS1307 RTC模块与MAX7219点阵屏,实现温湿度监测与时钟显示系统。通过实验四、五、六,分别完成传感器数据采集与双温度显示、RTC时钟读取与轮播展示、串口交互与周期上报功能。系统上电后先接收学号并滚动显示,随后进入主循环:定时读取温湿度与时间,点阵轮播环境参数与时间信息,每分钟通过串口自动上报包含学号、时间、温湿度的监测记录。采用非阻塞编程与读取限流策略,有效解决通信冲突与画面卡顿问题。实验完整实现了嵌入式系统的信号采集、处理、交互与可视化输出

zhangrelay的专栏 176

[LangChain] 学习笔记(002):5 个提示词公式,让同一个大模型给出完全不同的答案

摘要:本文围绕「提示词决定输出质量」这一核心观点,系统梳理了 5 个可直接套用的提示词公式:用 CO-STAR 六要素把模糊需求填实,用 Few-shot 示例替代规则描述,用 CoT 让推理过程显式可见,用 Zero-shot CoT 一句「一步步思考」低成本涨点,用「初稿→挑错→重写」的自我批判迭代提升质量。文中配有基于 LangChain 和 DeepSeek 的完整可运行代码与真实输出,并附踩坑排查表,帮助读者从理论到实战一次跑通。

一名在 Linux 与 C/C++ 世界里打怪升级的开发者。持续输出系统编程、网络编程、数据结构与算法的高质量学习笔记与实战总结 278

[LangChain] 学习笔记(17):同样的函数,只改一句描述,模型就从调错变调对

绑定和调用是下一篇。

一名在 Linux 与 C/C++ 世界里打怪升级的开发者。持续输出系统编程、网络编程、数据结构与算法的高质量学习笔记与实战总结 276

「ALife-Platform 人工生命笔记」(九):Plan 38 验收——首字 0.433 秒未过门坎,插话停播 0.22 秒过了

人工生命笔记第九篇,写 Plan 38 J0–J4 当天验收,不重复第八篇的元件拆解。14:40 在 gemma_web 与 bge-m3 并行时,50 回合首字 p50 为 0.433 秒,未过 0.4 秒;08:22 的 0.339 秒更早且更轻负载。内容首句客户端 p50 2.513 秒,未过 2.0 秒;插话停播 221 毫秒、5/5 停播,过了 300 毫秒。100 回合真外泄为 0,最终栈未重跑。真人麦克风尚未测。

雷羿LexChien的博客 308
上一篇: 把论文变成可执行环境:我如何用 Scientist World 的流水线跑通一个 AI-Scientist 的研究闭环
下一篇: 用强化学习把残差流方向“翻译”成文本:MAEM 实战拆解
I Am a robert girl
博客等级 码龄177天 6粉丝 198原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址