全部文章
凡落于此的手记，按年月陈列，供慢慢翻阅。
SAM2 视频记忆：为什么框能跟住目标，单点却可能把错误传下去？
用8个新序列、1152个逐帧mask和固定案例，解释因果记忆、提示范围、漂移与oracle纠正的边界。
Jev 模型入门：概念、公开原理与两个应用案例
理解 TypeSafe Jev 如何用 Choice、Score 和 Noul 输出类型化决策，以及它在客服工单分类和 Agent 工具路由中的运行方式与边界。
Qwen-VL 系列架构解读：从视觉连接器到 Qwen3-VL 与最新多模态演进
更新于:深入拆解 Qwen3-VL 的视觉编码器、MLP 连接器、DeepStack、位置编码与训练流程，并核对截至 2026-09-26 的 Qwen3.8-Next、Omni 最新公开报告，附论文与 PDF 入口。
Vision Transformer（ViT）详解：结构、工作原理与有效性
以 224×224 图像和 ViT-B/16 为例，逐步推导 patch、位置编码、CLS、多头自注意力及张量形状，解释 ViT 为什么有效，以及它与 CNN 相比的数据需求和计算局限。