.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

.前言.大模型（参数规模通常数十亿至万亿级）在处理复杂任务时面临三大核心问题：...显式关联的局限性：传统 Multi-head Attention 依赖输入数据的显式特征（如文本中的词向量、图像中的像素特征）计算注意力，难以捕捉深层语义（如 “同义词替换”“上下文隐喻”）或抽象结构（如 “逻辑推理链”）。...数据效率与泛化瓶颈：大模型训练需海量数据，但在低资源语言、专业领域（如医学、法律）中，

.前言.在J6工具链的量化精度调优实践中，当 Matmul/Conv 算子的两个输入皆为量化敏感算子时，PTQ 与 QAT 各自面临着难以克服的棘手困境。.在 PTQ 流程里，为了实现双 int16 输入的支持，工作人员不得不借助脚本将原本结构单一的 Matmul/Conv 算子拆解为 2 个 conv + add 算子，随后还要围绕这两个新算子进行一系列复杂且细致的量化配置。这一过程不仅涉及到

.在当今大模型蓬勃发展的时代，训练效率成为了制约模型发展与应用的关键因素。Transformer 架构中的自注意力机制虽强大，但面临着高计算成本与内存消耗的挑战。FlashAttention 应运而生，作为一种高效的注意力计算方法，它在加速模型训练与减少内存占用方面展现出了卓越的性能，为大模型的发展注入了新的活力。本文将深入探讨 FlashAttention 的原理，并结合代码实例进行详细解析。F

.在大型语言模型（LLM）的推理过程中，KV Cache 是一项关键技术，它通过缓存中间计算结果显著提升了模型的运行效率。本文将深入解析 KV Cache 的工作原理、实现方式，并通过代码示例展示其在实际应用中的效果。.一、为什么需要 KV Cache？.在 Transformer 进行自回归推理（如文本生成,每次生成一个 token 的时候需要结合前面所有的 token 做 attention

# 1. VLA简介..## 1.1 VLA定义..VLA (Vision Language Action)是一种多模态机器学习模型，结合了视觉、语言和动作三种能力，旨在实现从感知输入直接映射到控制动作的完整闭环能力。VLA强调一体化多模态端到端架构，非感知规控的模块化方案。..下图是常见端到端的框架，是RT-2、OpenVLA、CLIP-RT等 VLA 系统的典型代表，这些系统均采用基于 Tra

.........前言...........在汽车智能化浪潮中，OTA（Over-The-Air Technology，空中下载技术）被视为为汽车赋予“生命”、实现持续进化的一项新兴技术。车企大力宣传OTA，描绘着车辆可以像智能手机一样，随时在线升级，不断获得新功能、优化性能的美好愿景，消费者们也对其满怀期待。然而，理想很丰满，现实却很骨感。近年来，OTA相关的负面事件频频爆出，让我们不得不在今天

.荐 言：. ..今天推荐王伟峰老师的新书《一本书讲透汽车功能安全》，这是一本系统、深度解读ISO 26262/GB/T34590功能安全标准并解决标准落地难题的实战性著作，为读者打通标准与工程实践的桥梁，能有效弥合二者的差距。本书是作者从事汽车电子与功能安全10余年经验的总结，得到了众多行业专家的高度评价。特别推荐给大家！.. .本文节选自书籍第九章关于芯片功能安全架构的描述。更多内容可以点击下

.前言.在模型开发与应用领域，精准的性能分析和优化是提升效率的核心。地平线通过 J6 算法工具链 OE3.2.0 版本，对 hbm_perf 接口进行了重大升级，新增了 内存占用信息 和 硬件占用 Timeline 两大功能 。这些强化功能使开发者能够清晰掌握模型运行时的资源消耗和硬件效率，为后续优化提供关键依据。本文将深入解读新版 perf 文件的核心内容，并结合实例分析性能优化策略。.新功能介

在了解VLM之前，先复习下LLM。..# 1. LLM(Large Language Model)..大语言模型（LLM，Large Language Model）名字虽然带有语言二字，但其实并不局限于语言类场景。LLM 更多是一种统计建模的通用技术，它们主要通过自回归 Transformer 来模拟 token 流，这些 token 可以代表文本、图片、音频、动作选择、甚至是任何东西（多模态信号

# 1. BPU trace理论基础.在学习BPU trace前，希望大家对UCP trace已经有简单的了解，详情可见工具链用户手册《统一计算平台(UCP)-UCP性能分析工具-UCP Trace使用说明》章节。..## 1.1 BPU Trace配置文件模板..在system模式下抓取BPU trace，需在perfetto配置文件中加入BPU trace的数据源，ucp_bpu_trace.

.近年来，自动驾驶技术成为全球科技领域的热门话题，被视为交通领域革命性变革的重要推动力。在这一领域中，数据被称为推动技术进步的"燃料"，其采集、分析和反馈的效率与质量直接决定了自动驾驶系统的性能和安全性。而随着自动驾驶技术复杂性的不断增加，传统的数据处理方式已经难以满足高效优化的需求，数据闭环的概念应运而生，成为各大自动驾驶企业关注的核心。..所谓数据闭环，是指通过一个系统化的流程，将车辆运行过程

.在智能网联汽车技术加速迭代与物流行业降本需求双重驱动下，无人物流车正从技术试验场迈向商业化应用的关键阶段。作为自动驾驶领域场景容错率高、技术门槛适中的细分赛道，其在快递末端配送等场景的规模化落地，不仅重塑物流行业成本结构，更成为衡量自动驾驶技术商业化成熟度的重要标杆。本文基于物流场景特性，从行业关注的八大核心问题出发，系统梳理无人物流车的发展脉络、现实图景与未来趋势，为投资者与行业参与者提供全景

# 1. 基础介绍.什么是mul与reduce_sum？...mul 通常指元素级乘法（Element-wise Multiplication），它将两个形状相同的张量中对应位置的元素相乘，返回一个与原张量形状相同的新张量。..reduce_sum 是一种规约操作（Reduction Operation），它沿指定维度对张量的元素求和，从而 “压缩” 或 “减少” 张量的维度。如果不指定维度，则对

# 1. 为什么是灰度图 . .相较于 RGB 三通道图像，灰度图仅保留亮度信息（Y 分量），数据量减少 2/3，相比于常用的NV12图像，数据量减少1/3，内存占用与计算负载显著降低。对于下游网络结构而言，单通道网络计算量/参数量也会更少，这对边缘设备的实时处理至关重要。 . .灰度图部署有一个问题：如何将视频流中的 NV12 数据高效转换为模型所需的灰度输入，并在工具链中实现标准化前处理流程。

.“自动驾驶未来已来？”.当视觉（Vision）、语言（Language）和行动（Action）三大能力在一个模型中融合，自动驾驶的未来将走向何方？.近日，来自麦吉尔大学、清华大学、小米公司和威斯康辛麦迪逊的研究团队联合发布了全球首篇针对自动驾驶领域的视觉-语言-行动（Vision-Language-Action, VLA）模型的全面综述。这篇题为《A Survey on Vision-Langu

.写在前面 && 笔者理解.端到端在当下可谓是炙手可热，它将感知和规划集成到一个统一的、完全可微的网络中。不过，因为物理世界的复杂性和规划意图的不确定性，基于对物理场景的整体理解，也就是空间、语义和时间信息的理解，能够进行多模态运动规划，也是一个比较有挑战性的工作。.为了增强对场景的理解，现有的端到端方法探索了多种场景表示，包括以BEV为中心的表示、基于向量的表示等等。一些工作利用多模态大型语言模

..场景.A进程：2V 4K@40fps-CIM0-ddr-ISP0-PYM0-ddr.B进程：2V 1280P@30fps-CIM0-ddr-ISP0-PYM0-ddr.AB进程同时启动场景；.现象.重复启动多次，使能ROI时，概率出现4K通路输出帧率比实际帧率少的情况，通过dmesg日志查看，日志中显示size error/overflow交替出现；..初步分析.Cim size error，