Blogs
- RAEv2：Representation Autoencoder 的三个关键改进
RAEv2：Representation Autoencoder 的三个关键改进
- Seedance 2.0：视频生成从单次出片走向多模态创作引擎
Seedance 2.0：视频生成从单次出片走向多模态创作引擎
- MeanFlow：一步生成不是蒸馏，而是学习平均速度场
MeanFlow：一步生成不是蒸馏，而是学习平均速度场
- Mean Mode Screaming：为什么 1000 层 Diffusion Transformer 会被 token 均值拖垮
Mean Mode Screaming：为什么 1000 层 Diffusion Transformer 会被 token 均值拖垮
- Flow-OPD：把多任务奖励对齐改写成 Flow Matching 的 on-policy 蒸馏
Flow-OPD：把多任务奖励对齐改写成 Flow Matching 的 on-policy 蒸馏
- Edit2Restore：把图像复原改写成少样本图像编辑
Edit2Restore：把图像复原改写成少样本图像编辑
- Code as Agent Harness：把代码看成 Agent 的运行底座
Code as Agent Harness：把代码看成 Agent 的运行底座
- AsymFlow：把 latent flow 拉回 pixel space 的低秩速度参数化
AsymFlow：把 latent flow 拉回 pixel space 的低秩速度参数化
- SHARP：单张照片在一秒内变成可实时渲染的 3D Gaussian 场
SHARP：单张照片在一秒内变成可实时渲染的 3D Gaussian 场
- Follow the Mean：把参考样本变成 Flow Matching 的控制信号
Follow the Mean：把参考样本变成 Flow Matching 的控制信号
- LPM 1.0：从 talking head 到实时对话角色 Performance Model
LPM 1.0：从 talking head 到实时对话角色 Performance Model
- Self-Flow：把表征学习塞回 Flow Matching 训练目标里
Self-Flow：把表征学习塞回 Flow Matching 训练目标里
- 为什么 RoPE 对外推友好
RoPE 外推友好性完整解析
- Self-Forcing 到 Self-Forcing++：让自回归视频扩散按推理方式训练
Self-Forcing 到 Self-Forcing++：让自回归视频扩散按推理方式训练
- noao-vlm-2 数据集与评估系统分析
数据集与评估系统分析
- noao-vlm-1 架构详细分析
nanoVLM 模型架构与数据流转分析
- noao-vlm-0 train.py 详细分析
train.py 详细分析
- noao-chat-7-nonochat 多卡训练指南
LLM 多卡训练完全指南
- noao-chat-6-训练评估指南
LLM 模型评估验证完全指南
- noao-chat-5-训练四阶段数据报告
nanochat 项目四阶段训练数据完全报告
- noao-chat-4-rl阶段训练
LLM RL 训练完整解析
- noao-chat-3-sft阶段训练
LLM SFT 训练完整解析
- noao-chat-2-mid阶段训练
nonochat - LLM Mid 训练完整解析
- noao-chat-1-base阶段训练
nonochat - LLM Base 训练完整解析
- noao-chat-0-项目总体介绍
nanochat 项目深度分析
- Efficient Rectified Flow for Image Fusion
[Paper Reading] Efficient Rectified Flow for Image Fusion（RFfusion）论文解读
- 3Blue1Brown 线性代数笔记
3Blue1Brown 线性代数笔记（几何直觉）
- 线性代数的常见概念集合
一、向量与向量空间相关（定义 + 几何直觉）
- DiT4SR: Taming Diffusion Transformer for Real-World Image Super-Resolution
[Paper Reading] 基于 Diffusion Transformer 的真实世界超分辨率方法 DiT4SR
- Dual Prompting Image Restoration with Diffusion Transformers
[Paper Reading] 基于扩散 Transformer 的双重提示图像复原 (DPIR)
- FLOAT：在 motion latent 里用 Flow Matching 生成可控 talking portrait
FLOAT：在 motion latent 里用 Flow Matching 生成可控 talking portrait
- Stable Video-Driven Portraits
[Paper Reading]：Stable Video-Driven Portraits — 基于 DiT 的高保真视频驱动人像生成
- moco 论文摘要
MoCo: Momentum Contrast for Unsupervised Visual Representation Learning
- 小于1000的正整数立方和pair
找出所有满足 \(a^3+b^3=c^3+d^3\)的小于1000的正整数组合
No posts match these tags.