..1. 一分钟速览...问题：R1-style LRM（如 DeepSeek-R1、Kimi 1.5）在复杂任务上表现惊艳，却普遍存在 overthinking——推理链过长、冗余、重复，导致延迟 & 成本飙升。...贡献：首篇系统综述高效推理的 survey，提出 「单模型优化 vs 多模型协作」 双层分类框架，覆盖 100+ 最新方法，并给出 4 大前沿应用展望。....2. 背景：当“想太

...LLM的发展极大地推动了自然语言理解和决策制定的进步，展现了在推理、规划和工具使用方面的显著能力。说到这，近期国产LLM密集发布，卷的很，比如刚开源的智谱GLM-4.5v，拿下41个榜单SOTA，PaperAgent基于此做了一个科研助手Agent：.GLM4.5之后，智谱又开源GLM-4.5V，实测下来视觉推理能力贼强~.LLM时代，自主智能体已成为实现AGI的强大范式。然而，随着基于智能

.写在前面：.在 PTQ量化模型的过程中，往往存在一些敏感节点，如Conv算子,matmul算子等，我们通常倾向于将其设定为高精度的int16输入。但由于硬件原因限制，即使指定Conv算子的精度为int16，但实际指定结果是只有其中一个以int16精度输入，另一个仍然是int8，例如激活是int16.而权重weight是int8.如下图所示：...其中激活的量化数据类型是int16，而权重的量化数

一、前言..随着深度学习模型的不断发展，量化（Quantization）作为一种优化手段，已经在嵌入式设备和资源受限平台上得到了广泛应用。特别是在边缘计算和智能硬件领域，量化能够有效减小模型的存储占用并加速推理过程。PTQ（Post-Training Quantization）作为一种无需重新训练模型的量化方式，因其简便性和高效性而成为常用的部署手段。.然而，PTQ过程中常常会遇到模型精度下降的问

**YOLO11 模型量化调优小记：从失败到突破**..在近期参与项目的过程中，我遇到了一些关于 YOLO11 模型量化部署 的问题。虽然手上几乎所有常见的调优手段和工具都用上了，但模型的量化效果依旧不理想。相信很多同学在部署模型时，也会踩到类似的坑。今天就结合自己的实践，总结一些 调优小 trick，希望能给有需要的朋友提供参考。..**遇到的问题**..在使用 PTQ（Post-Trainin

Lane模型采用PTQ链路部署时，INT8量化精度损失明显，希望经过精度调优后，所有校准数据上输出的平均余弦相似度不低于0.99。..# 1. 校准模型精度调优.首先采用HMCT default INT8量化，校准算法选择了max_asy_perchannel，所有输出平均相似度均未满足需求。.``` sh.+------------+-------------------+-----------

.近日，太平洋汽车和易车网对于多个热门车型进行了AEB性能的横向评测，测试过程非常精彩。.如下是部分测试结果：..图片来源：太平洋汽车（https://www.bilibili.com/video/BV1MrdUYvEZ4/）..图片来源：易车（https://www.bilibili.com/video/BV1hMLRz8EHV/）.其中，从测试结果来看，排名靠前的车型基本均是采用视觉+雷达的融

. .接收单元是激光雷达的核心器件，其地位相当于摄像头里面的CIS。.笔者在2024年10月份的文章：雪岭 · 激光雷达未来『最核心』器件——SPAD-SoC，初步探讨过SPAD-SoC的应用特点。..当时也邀请了数位激光雷达专家，对SPAD-SoC技术进行了精彩分享（包含视频和讲义下载，链接见文末）：...今年以来，SPAD-SoC热度在不断提升，包括速腾、禾赛、华为等多个头部玩家都在加大SP

.目前车载激光雷达的主要玩家只有4个：禾赛、速腾、华为和图达通。.根据NE时代基于中国乘用车终端数据的统计，TOP4玩家近一年（2024.5~2025.4），按月度的配套装机量汇总如下：..数据来源：NE时代.截止到2025年Q1，TOP4玩家以季度为单位的销量（全球乘用车市场）变化如下：..数据来源：Yole.可以看到，华为的激光雷达产品自2022.Q3正式量产以来，市场份额在快速提升。.华为激

.#01............debounce防抖机制介绍... .debounce防抖机制既出现在车辆电子领域，也出现在互联网领域，是一种基本的信号平滑机制。. .车辆电控的防抖机制旨在确保传感器信号稳定，避免因信号抖动引发系统误判，特别是故障诊断系统的误判。车辆行驶时，油门、刹车、方向盘、液位、振动NVH等传感器会产生高频信号，若直接传输至电控单元（ECU），可能导致执行器异常动作。为此，车

.1. 定位技术的核心作用..核心问题 ：解决“我在哪儿”（厘米级精度）。.要求 ：高可靠性、安全性（自动驾驶三大核心问题之首）。.技术起源 ：机器人定位技术延伸，依赖SLAM（即时定位与地图构建）与先验地图匹配。..2. 定位技术分类........类型.....原理.....代表技术.....局限性........基于信号...接收外部信号定位...GNSS（如GPS）...信号遮挡、精度不足

..1.概述.1.1 VIO框架演变.从XJ2时期到J5时期，都是采用VAPI接口，到了J6时期，设计了一套HBN接口，但对外还是沿用VAPI接口；.1.2为什么不采用V4L2框架？...V4L2 驱动框架结构庞大，引入后需遵循其严格接口设计，新功能开发成本高；...不利于跨OS平台移植；... .2.VPF框架.2.1.为什么设计VPF框架？...J系列接口单一，X系列接口灵活性大，VPF兼容X

.1. 功能概述¶...1.1. 软件架构说明¶...J6X芯片位于MCU域的CAN控制器负责完成雷达、底盘和车身等CAN数据收发。由于感知等应用位于Acore，因此部分CAN数据需要通过IPC核间通信机制转发到Acore。...为保证传输可靠性，转发机制需要实现数据正确性检测、丢包检测和传输超时检测等机制。此外，还需要规避MCU侧高频转发小数据块导致CPU占用率过高，造成MCU实时性降低等性能问

使用kdb/kgdb调试内核.=======================..开启kgdb.-----------.J6X内核默认并不支持kgdb，需要对内核做一些修改：..- 修改 hobot-drivers/configs/hobot_j6x_defconfig 增加配置选项.. CONFIG_KGDB=y. CONFIG_KGDB_SERIAL_CONSOLE

.引言.在近期工具链实践过程中，频繁出现 BC 模型在插入 NV12 预处理节点后精度崩溃的现象。经分析，此类问题可分为两类：其一为用户侧 BGR/RGB 转 NV12 的代码实现缺陷；其二为 BGR/RGB 与 NV12 格式转换过程中固有的不可逆误差所致。后者的根本原因在于模型训练阶段存在严重过拟合现象，导致模型泛化能力薄弱，无法容忍格式转换带来的微小数据偏差。.此类问题的传统排查流程耗时较长

..1.功能概述¶.本文档为J6X（Journey 6X）系列soc芯片平台与外部GPS设备通信的使用案例，可通过UART协议获取GPS原始数据，用户可以选择.将其在终端中显示或存储至文件中或用于车辆定位。..1.1. 架构说明¶.GPS sample架构图如下:..GPS模块作为导航系统的核心组件，负责精准捕获卫星传输的微弱信号，从中提取出关键的定位数据，这些数据经过模块内部的复杂.算法处理，转

..1. 功能概述¶.本sample实现获取芯片关键信息功能演示，此处主要介绍该sample的实现与使用方法。..1.1. 模式说明¶.本sample分为路测模式和量产模式两种：.路测模式.每1秒采集一次cpu负载、bpu负载和cpu结温，每10秒保存一次最高值、最低值、平均值和当前值。.量产模式.cpu结温不超过115°C：.  a.不记录cpu负载和bpu负载；.  b.每1秒采集一次cpu结

.1. 功能概述¶..本文的sample主要实现了两个设备之间的数据传输的演示，此处主要介绍该sample的实现及使用方法。..1.1. 软件架构说明¶.本sample基于PCIe的High Level API (libhbpciehl.so) 来实现，High Level API 基于 Low Level API（libhbpcie.so)，抽象出通用的 topic / subscribe /

.1. 功能概述¶..本文的demo sample实现ISP模块回灌功能，将raw图通过ISP处理后得到YUV图(支持NV12和NV16)，sample默认输出NV12格式。 基本的回灌模式不加载效果库，可用来验证ISP通路性能，只支持raw12格式的raw图。 dummy sensor回灌模式通过hb_dev.json指定效果库和raw格式，可用来验证ISP处理效果，支持raw8、raw12、r

# 1. LLM训练基础概念.## 1.1 预训练(Pretrain).LLM首先要学习的并非直接与人交流，而是让网络参数中充满知识的墨水，“墨水” 理论上喝的越饱越好，产生大量的对世界的知识积累。 预训练就是让Model先埋头苦学大量基本的知识，例如从Wiki百科、新闻、书籍整理大规模的高质量训练数据。 这个过程是“无监督”的，即人类不需要在过程中做任何“有监督”的校正，而是由模型自己从大量文本