. . ...概述.....可交互三维场景重建是推动计算机视觉与机器人智能发展的关键。然而，真实世界的频繁遮挡使单次扫描无法完整捕捉场景信息，也因此限制了后续的全面交互。传统方法往往依赖复杂流程或逐物体扫描，难以兼顾效率与完整性。为此，我们提出IGFuse，一个基于多次观测融合的可交互三维高斯场景重建框架。它能够利用多次扫描不同物体布局下的场景揭示被遮挡区域，并通过分割感知的高斯场和一致性约束实现

声明：本文主要参考开放资料进行学习整理，如有错漏，欢迎评论指出，会及时修改，感谢~1. 基础知识工具链用户手册中提供了profiler debug工具的使用教程，对于常规流程，大家可参考官方用户手册。本文主要基于一些典型场景进行使用上的介绍。 在出现精度问题时，且排除前后处理问题后，可以使用profiler debug工具进行分析，排查过程中，涉及到几种模型，这里先做说明：模型说明获取方法floa

Memory corruption.=======================. .对于系统中出现随机、不可解释的异常指针访问或数据错误导致的异常，一般要考虑是内存使用上出现了UAF(Use-After-Free)，OOB(Out-of-Bounds)。 . .本章所指的”Memory corruption”特指Linux kernel侧出现的”Memory corruption”，子系统间的

..1. 概述.kernel panic包含了多种内核异常类型，包括但不限于：空指针/异常指针、HungTask、RCU Stall、softlockup、hardlockup、OOM、BUG_ON。.下图是各种类型panic的路径：...2. 通用方法¶...kpanic类异常均为kernel软件可感知到的异常， kernel完成panic流程后会由bl31完成一次WarmReset，所以所有p

.1. 概述..J6X SoC中有2路watchdog，使用wdt0（监控linux irq），wdt1（监控linux优先级为50的rt kthread）：...wdt0超时是linux下有核上的irq响应不及时。...wdt1超时是linux下有核上对优先级为50的rt kthread调度不及时。....2. 通用方法¶.watchdog问题是wdt硬件检测触发再由MCU域完成重启，对Main

. 1.概述¶.Linux的性能问题，依赖于各类性能工具，针对不同性能场景，选择合适的工具，可以大大提高整个性能优化的效率，下图是性能问题和工具图谱：..受限本文篇幅和侧重，结合征程系列SoC调优实践，主要展开介绍下面的工具及使用。..1.1. top¶.top 命令可以动态地持续监听系统及进程的运行状态，为用户提供CPU使用率、内存使用情况、CPU负载信息，除此之外，该命令还提供了一个交互界面，

..1. 功能概述¶.本文的safetylib sample实现MCU Domain FCHM硬件故障、软件故障的注入和处理，此处主要介绍该sample的实现与使用方法。..1.1. 软件架构说明¶.本sample基于MCU CDD FCHM和SafetyLib实现，在示例OS的task文件中，调用SafetyLib的初始化接口，在ISR文件中，调用 CF/NCF中断处理函数，并在NCF中断处理函

..1. 功能概述¶.本文通过示例演示如何通过相关接口对启动标志进行读写，以及对main域电源进行控制与查询。相关API定义，请查询 电源管理用户手册API部分 。...2. main域上下电及状态查询示例代码¶.请参考版本中 Service/Cmd_Utility/power_sample_cmd/src/PowerControl.c 相关代码：...// PowerControl.c代码.#i

..1. 功能概述¶.本sample实现限制进程cpu占用率和运行的cpu核功能，此处主要介绍该sample的实现与使用方法。..1.1. 软件架构说明¶.本sample基于Linux通用的cgroup API，通过操作cgroup的cpu子系统和cpuset子系统配置文件，来限制sample进程的cpu占用率和运行的cpu核。...1.2. 代码位置与目录结构¶.本sample代码位置和目录结构

文档版本修订内容修订时间v1.12.1节常见问题新增：conv+add 融合拆分方法；新增QAT训练常见异常排查文章跳转2026/07/01v1.0初始版本2025/09/28QAT调优流程：流程总览：针对J6E/M的硬件特性，以int8+int16的混合精度量化为主要调优配置，可尝试少量fp16算子如LayerNorm（fp16 LayerNorm在OE 3.5.0及以后版本支持）。 调优原则：

. .....前言..当前端到端智能驾驶技术发展迅速，SparseDrive 作为代表性模型受行业关注。工程化落地时，其模型导出与性能评测环节存在普遍技术挑战，涉及架构与环境兼容性、算子适配等多维度。为推动端到端智驾技术社区化发展，本文梳理 SparseDrive 从 ONNX 导出到硬件部署的技术链路，剖析算子替换、编译报错修复、量化策略优化等案例，构建含环境配置、数据集处理、权重管理、配置工程

....引言...随着大型语言模型（LLM）在具身智能等领域的广泛应用，接下来就该思考如何在有限硬件资源下部署这些模型，量化是其中必不可少的步骤。. .模型量化（Model Quantization）作为一种有效的模型压缩技术，通过将模型中的浮点数参数转换为低比特宽度的整数表示，显著减少了模型的存储和计算需求，同时尽量保持模型的性能。量化的基础知识相信大家都不会陌生，例如必然要介绍两种量化方式：P

.简介.25/4/29发布的Qwen3系列模型，共8个模型，其中六个Dense模型分别为，Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B 和 Qwen3-0.6B。另外两个MoE模型分别为，Qwen3-235B-A22B，拥有 2350 多亿总参数和 220 多亿激活参数的大模型，以及Qwen3-30B-A3B，拥有约 300 亿总参数和 30 亿

1111MicrosoftInternetExplorer402DocumentNotSpecified7.8 磅Normal0........................................................................................................................................

1111MicrosoftInternetExplorer402DocumentNotSpecified7.8 磅Normal0........................................................................................................................................

.前言.近期在学习Qwen3的模型结构时，看到了Qwen使用了GPTQ与AWQ量化方案，于是便萌生了介绍LLM 量化技术的想法，笔者将用2-3篇文章，给读者们介绍大模型量化的技术。.量化是指将高精度计算的浮点型数据近似为低比特位数据（如int16、int8、int4等）的过程，此过程需在不显著损耗精度的同时，提升模型推理效率并降低内存占用。特别是在当前主流大语言模型（LLM）的参数量轻松突破万亿规

.前言.在开始正文前，我先带着大家回顾两篇文章：【手撕大模型】KVCache原理及代码解析和【手撕大模型】MQA和GQA原理解析。我们都知道，KV cache是为了在推理时避免重复计算前面的序列，从而提升性能。不难想象，当前面序列的长度变长，也就是KV cache的数据量越来越大时，数据加载和存储的成本也会增加，这时内存占用就会成为Attention计算的限制因素，严重制约了模型的运行效率和可扩展

1. 前言本文旨在提供 J6E/M 计算平台的部署指南，将会从硬件、软件两部分进行介绍，本文整理了我们推荐的使用流程，和大家可能会用到的一些工具特性，以便于您更好地理解工具链。某个工具具体详细的使用说明，还请参考用户手册。2. J6EM硬件配置  BPUDSP  算力TAE浮点输出VAE浮点VPUSPUAPM J6E80TNNYYYQ8*1J6M128TNNYYYQ8*1J6P560TYYYYYQ

..强化学习+多目标优化.传统多目标优化里，怎么平衡目标权重一直是个老大难的问题。现在的前沿玩法是用深度强化学习框架，让智能体动态学习目标间的权衡策略，自适应调整各目标的优化权重。.这种方法的核心创新点是把多目标权衡变成序贯决策过程，靠策略网络实现权重的动态分配。.参考论文：.Constrained Multi-objective Optimization with Deep Reinforcem

# 前言..异常检测和缺陷检测是现代数据分析和工业质量控制中不可或缺的技术。它们虽然在某些应用场景中有所重叠，但也各自有着独特的特点和方法。本文将介绍这两种技术的应用，并深入探讨它们的区别，特别是在深度学习技术的加持下，它们在不同领域的应用如何推动智能化检测的进步。..# 一、异常检测：揭示数据中的不寻常..异常检测（Anomaly Detection）是指在数据集或系统中发现与其他数据点显著不同