vlm

【VLM】DeepSeek-V4.1-Flash: Pushing the Limits of KV Cache CompressionDeepSeek-V4.1-Flash: Pushing the Limits of KV Cache Compression 技术报告：https://huggingface.co/deepseek-ai/DeepSeek-V4.1-Flash/blob/main/DeepSeek_V41_Tech_Report.pdf Hugging Face

【VLA】Qwen-VLA:VLM+DiT统一多模态理解与连续机器人动作生成Qwen-VLA 的做法，不是声称"把所有机器人统一成一种动作"，而是用 Qwen3.5-4B 视觉—语言骨干 + 约 1.15B 参数的 DiT 流匹配动作专家 + 一套 H×K 张量/前缀掩码/具身提示的接口，把操作、导航、人本动作、轨迹预测接进同一个条件生成框架。

一直在努力的小宁

【阅读笔记】具身智能的真机数采，到了分水岭本篇位置：本批第 9 篇，也是今天三篇里信息密度最高的一篇，是主样本。它把第 8 篇提出的问题（缺什么数据、谁会成为主流）用一次行业深度访谈做了解答，而且给了具体的时间线、成本账和人物名单。第 10 篇（知乎技术综述）则是理解本篇所有设备名词的底图。

ICRA 2025｜LocoVLM：视觉与语言驱动的通用足式运动策略自适应【文献解读】文献：LocoVLM: Grounding Vision and Language for Adapting Versatile Legged Locomotion Policies 作者：I Made Aswin Nahrendra, Seunghyun Lee, Dongkyu Lee, Hyun Myung 单位：KAIST（Korea Advanced Institute of Science and Technology）会议版本：ICRA 2025 Workshop on Safe Visi

一直在努力的小宁

【阅读笔记】具身操作的数采方案概览本篇位置：本批第 10 篇。它是今天三篇里唯一的非新闻稿——一篇写于 2024 年 12 月、2025 年 1 月更新的技术综述，作者本人就在这个行业里做数采。前两篇（36 氪的行业评论、钛媒体的深度访谈）讨论的所有设备名词——ALOHA、UMI、Ego、外骨骼、动捕手套——这一篇是它们的技术底图。

vLLM大模型推理：Jetson AGX Thor 的 GPU 共享内存清理实战适用设备：NVIDIA Jetson AGX Thor（T5000）实测通过，思路同样适用于 AGX Orin 等采用统一内存架构的 Jetson 设备。

【VLM】Qwen3.8-Omni-Flash长音视频理解Agentic模型1、向 Qwen3.8-Omni-Flash 提出了一项任务：在 12 小时内提升 Qwen2.5-Omni-3B 的四川话识别能力，并交付可用模型。它自主选定 WenetSpeech-Chuan 评测集、固定评测标准并完成基线测试，随后直接听取语音样本，结合识别结果诊断问题，构建针对性的训练数据。在连续 4 轮实验中，Agent 累计构建了 3,413 条训练数据，并根据评测反馈调整方案、保留有效改进、回退无效尝试。最终，Qwen2.5-Omni-3B 在同一评测集上的字符错误率从 25.79% 降至

程序猿编码

不用 GPU！RK3588 跑视觉大模型，Qwen3.5-2B VLM 端侧落地这是一套面向瑞芯微RK3588 NPU硬件加速的Qwen3.5-2B视觉语言模型推理实现，完全基于原生C++构建，配套专用大模型运行时与神经网络加速引擎，完整支持单图像理解与视频序列分析两种模式。

前沿 | VLA 演进：从动作 Token 到分层具身智能体论文：Zitkovich et al., RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control, CoRL 2023。论文：Black et al., π₀: A Vision-Language-Action Flow Model for General Robot Control, RSS 2025。论文：Pertsch et al., FAST: Efficient Action Tokeniza

一直在努力的小宁

[特殊字符] 具身智能Agent开发调研｜零基础超详细笔记（万字长文）老师发了一份智能体开发调研文件，零基础看完全懵。花了一整天查资料、拆概念、整理成这份笔记。既是科普，也是自己的完整学习记录。全文包含所有细节、数据、例子、设计动机，建议收藏慢慢看。具身智能Agent开发调研｜零基础超详细笔记 - 小红书

【Omni】OmniGAIA: Towards Native Omni-Modal AI Agents项目链接：https://github.com/RUC-NLPIR/OmniGAIA当前多模态大模型（MLLM）存在三个明显的断层：

NVFP4 量化 × 具身智能：ModelScope 模型生态调研目的：了解当前行业模型情况，“机器人/具身智能方向有哪些模型可用？其中有没有 NVFP4 量化版？” 适合读者：正在做机器人端侧部署、或关注具身智能模型选型的工程师与研究者。

VLM学习-SFT（监督微调）SFT = Supervised Fine-Tuning（监督微调）SFT 是在预训练模型基础上，用带标注的数据做进一步训练，让模型学会按人类意图回答问题。

VLM学习-DINOv2三大损失DINO / iBOT / KoLeo 解析源码 code github 三个损失是 DINOv2 自监督训练的核心，分工是：DINO 损失管全局语义、iBOT 损失管局部细节、KoLeo 损失管特征空间不坍塌。逐个结合源码解析。

还不秃顶的计科生

具身智能论文学习10：π0: A Vision-Language-Action Flow Model for General Robot Control如何在保留预训练 VLM 强大视觉语言知识的同时，直接生成高频、连续、精细的机器人 Action Chunk，从而实现通用且灵巧的机器人控制？

还不秃顶的计科生

具身智能论文学习8：Octo: An Open-Source Generalist Robot PolicyOpen X-Embodiment→多机器人、大规模数据Diffusion Policy→连续动作序列与扩散动作生成

给AI装上“眼睛”：一文讲透视觉语言模型（VLM）这些能力的背后，是一种正在改变AI交互方式的技术——视觉语言模型（Vision-Language Model，简称VLM）。

【全模态】音视频理解模型Audio-Visual FlamingoAudio-Visual Flamingo: Open Audio-Visual Intelligence for Long and Complex Videos arXiv：https://arxiv.org/abs/2607.16107 机构：NVIDIA + 马里兰大学 | 参数规模：7B，开源

HPD-Parsing: Hierarchical Parallel Document Parsing这篇论文提出一种新解码范式——分层并行解码（Hierarchical Parallel Decoding, HPD），解决 unified VLM 文档解析器"整页单条自回归生成"造成的序列瓶颈。做法是：主版面分支（layout branch）串行协调全局结构与阅读序，遇到路由 token <FORK> 时 fork 出并发的内容分支（content branch）解码各区域，分支内再叠加 P-MTP 推测解码。核心结论是 1B 模型达到 4,752 TPS，是最快现有文档解析模型的 2.62×、vani

QWen-VLLLM展现出很强的文本理解和生成能力，通过Instruction Tuning能够很好地与用户交互，逐渐成为智能助手的重要基础。