第一次接触征程6开发资料时，我遇到的第一个问题不是代码，而是一堆看起来都很重要、但一开始完全串不起来的名词：OpenExplorer、HMCT、HBDK、HBM、UCP、PTQ、QAT……它们到底分别负责什么？单独查一个概念并不难，真正麻烦的是：它们放进一条模型部署链以后，谁在前、谁在后？普通 ONNX 和 PyTorch 又是不是走同一套流程？正好看到 HorizonRobotics 官方的 O

1. 功能概述¶本文的demo sample实现4路环视鱼眼暂停和恢复数据流的功能。4V场景下，可调用VIO API hb_vio_pause_pipeline暂停指定软件通道的CIM数据流；调用VIO API hb_vio_resume_pipeline恢复指定软件通道的CIM数据流，低功耗处理场景可参考使用。1.1. 软件架构说明¶调用VIO API来实现整个数据通路，实现多路camera接入

ftrace介绍static ftracegcc -pg选项，将每个函数都将先调用__mcount，所有函数都共用同一个stub函数dynamic ftrace在函数前插入nop（什么都不做的指令）指令在开启某一个函数trace时，将函数前面的nop指令改为跳转到stub函数的指令ftrace_run_update_code()更改nop指令时，芯片层面实现同步机制（暂停其他核）避免由于并发导致问

引言Qwen2.5-VL 是一个视觉-语言多模态大模型（VLM）。要理解它，第一件事是搞清楚"它到底长什么样"——有哪些模块、每个模块叫什么名字、数据怎么流过去。本文 Qwen2.5-VL 的实现代码，描述网络的总体架构、各支路的模块组成与功能、模块名称，以及视觉 token 化的示例。1. 总体架构Qwen2.5-VL 整体由三部分组成：视觉编码器（Vision Encoder / visual

该示例为参考算法，仅作为在J6上模型部署的设计参考，非量产算法简介在自动驾驶视觉感知系统中，为了获得环绕车辆范围的感知结果，通常需要融合多摄像头的感知结果。目前更加主流的感知架构则是选择在特征层面进行多摄像头融合。其中比较有代表性的路线就是这两年很火的BEV方法，继Tesla Open AI Day公布其BEV感知算法之后，相关研究层出不穷，感知效果取得了显著提升，BEV也几乎成为了多传感器特征融

1.功能概述¶编码 yuv 图像，生成 h264/h265 视频或 jpg 图片。1.1. 软件架构说明¶采用MediaCodec的poll模式来解耦输入和输出，可使编码帧率性能达到最优。 在主线程中灌YUV数据：取出一个空的input buffer，配置YUV数据的地址信息（如phys addr），再queue input buffer并通知编码器处理该帧数据； 另一个线程取输出码流：通过sel

1. 功能概述¶本文的demo sample实现GDC多路处理鱼眼图，最后通过STITCH拼接成鸟瞰图。1.1. 软件架构说明¶本文的demo sample采用回灌流程，即从系统存储中读取文件作为GDC的输入图像，调用VIO API，基于GDC配置bin文件完成GDC处理，再通过videostitch API和对应的拼接LUT表文件实现对GDC输出图像的拼接，得到鸟瞰图。其中使用到的JSON配置文

# ISP sample代码位置.sample的代码位于工程目录：{sdk_dir}/test/samples/platform_samples/source/S83_Sample/S83E04_Module/isp_sample;..# 运行命令.Usage: /app/sample/S83_Sample/S83E04_Module/isp_sample/bin/isp_sample.-v --

1. 功能概述¶本文主要以J6X Matrix板子为例，介绍四个适用于不同场景的时间同步方案，包括单时间域方案和双时间域方案。目前MCU主线默认支持的是时间源接入J6 MCU的单时间域方案。注意：由于gPTP需要在AUTOSAR BSW中实现，因此对于不包括AUTOSAR BSW的地平线交付软件，本文列举的gPTP功能需要客户自行实现，地平线不负责交付。 此外，实际芯片存在多个网卡，本文sampl

1. 功能概述¶本文的demo sample实现从用户层调用secure storage密钥管理与文件存储。分别调用了安全存储服务以及安全存储接口。1.1. 软件架构说明¶按照调用的接口，将本demo分为两个部分，第一部分为persistence接口，通过调用persistence接口，访问安全存储服务，进行数据存储，称为hb_st_client_sample。第二部分为安全存储接口，通过调用se

# J6X ISP配置项..{. "hw_id": 1, // ISP硬件模块ID：Matrix 6E/M（0 ~ 1）. "slot_id": 0, // ISP硬件通道id，范围：. //

# J6 M/E ISP软件架构overview....如图所示，ISP 软件firmware包括：.(1)ISP driver：实现对isp hardware的访问、isp多路调度管理、isp中断处理、buffer管理、calibra

# ISP proc信息命令与形式..```plaintext.cat /proc/hb_isp.cat /proc/hb_isp1.cat /proc/hb_isp2.cat /proc/hb_isp3..```.# isp的proc信息分析.(1)active: 当前正在工作的通路数;.(2)dev_sched_mode: ISP当前工作的调度模式；.(3)safety_slots: 表示功能

# 回灌类型介绍.VPS软件方案提供如下回灌功能：. 回灌功能经常用于局部数据通路调试、特定模块单独调试、离线tuning(ISP)等。..1、ISP回灌. 支持sensor raw数据回灌进ISP并进行处理。..2、PYM回灌. 支持YUV420 数据回灌进PYM并进行处理。..3、GDC回灌. 支持YUV420 数据回灌进GDC并进行处理。..# ISP p

1. 功能概述¶本文的demo sample实现将RSA私钥导入HSM中，并使用此私钥调用HSM engine进行RSA签名；将证书存储到RPMB中，从RPMB中读取证书并解析，获取到公钥，并使用此公钥进行RSA验签。 RSA验签可以选择使用openssl 软件算法，也可以选择调用HSM engine。1.1. 软件架构说明¶软件架构框图如下图所示 ：1.2. 软件流程说明¶本sample主要流程

1. 功能概述¶hbmem api使用说明，包括com buffer、graphic buffer、graphic buffer group、queue、pool、share pool的创建使用，多进程共享等。1.1. 软件架构说明¶本sample基于libhbmem API实现，调用libhbmem提供的API，实现不同buffer类型的内存申请和进程间共享。1.2. 代码位置及目录结构¶1.

MQBench（Model Quantization Benchmark）是由ModelTC团队维护的开源模型量化评估与调优框架，旨在简化深度学习模型在各种硬件平台上的量化过程。它基于PyTorch构建，支持多种后端（如TensorRT、SNPE、OpenVINO等），并提供从量化感知训练（QAT）到模型部署的完整工具链。一、什么是QATQAT（Quantization Aware Trainin

声明：本文主要参考开源资料进行学习整理，如有错漏，欢迎评论交流~引言在进行prompt长度对齐和 chunk prefill 时，反复出现一个动作：左 padding 之后，attention_mask 要在 pad 位置同步补 0。很多时候只一句话带过——"这些是 pad，不要 attend（关注） 它们"——但背后其实藏着 LLM 注意力机制的一块拼图：causal attention（因果注

声明：本文主要参考开源资料进行学习整理，如有错漏，欢迎评论交流~引言假设已经解决了"形状不匹配"的问题——把任意长度的 prompt 左 padding / 左截断对齐到固定长度 L，喂进定形的 prefill 静态图。但形状对齐了，显存不一定够。设想一条对齐到 L=1216 的 prompt，prefill 阶段要算一个 1216 x 1216 的注意力矩阵；如果业务允许的 L 开到几千，单次

声明：本文主要参考开源资料进行学习整理，如有错漏，欢迎评论交流~引言把一个 LLM 部署到端侧跑推理，输入永远是一条长度任意的 prompt："今天天气真好，出去走走吧" → tokenize 后 8 个 token."请帮我把这段长文档总结成三个要点……" → tokenize 后 2037 个 token但端侧推理引擎拿到这条 prompt 时，会立刻撞上一堵“静态”墙：导