一个世界模型的教学项目：Nano World Models
这个项目把一个完整研究世界模型需要的东西放在一起：数据、训练、评估、模型变体、实验消融、可视化和下游应用。它的目标是降低从“读懂世界模型”到“实际部署和实验”的门槛，并通过简洁抽象、模块化配置和完整文档，让使用者能轻松修改、适配和扩展。
项目强调“从模型到科学”的转变：随着世界模型方法逐渐收敛，真正重要的问题变成如何理解模型行为、验证经验规律、探索规模化和最佳实践；因此它提供了模块化设计、丰富数据环境、可复现实验和开放资源，目标是成为世界模型研究社区的共享基础设施。
这个项目把一个完整研究世界模型需要的东西放在一起：数据、训练、评估、模型变体、实验消融、可视化和下游应用。它的目标是降低从“读懂世界模型”到“实际部署和实验”的门槛，并通过简洁抽象、模块化配置和完整文档，让使用者能轻松修改、适配和扩展。
项目强调“从模型到科学”的转变：随着世界模型方法逐渐收敛，真正重要的问题变成如何理解模型行为、验证经验规律、探索规模化和最佳实践；因此它提供了模块化设计、丰富数据环境、可复现实验和开放资源，目标是成为世界模型研究社区的共享基础设施。
netflix的官方技术博客发了篇长文介绍模型服务中的路由现状 | blog
“这是一个多篇系列博客的第一篇，分享了我们如何通过机器学习模型服务基础设施在多个领域（例如，标题推荐、商务）大规模提供个性化体验的技术见解。
在这篇介绍性博客中，我们将深入探讨我们的领域无关 API 抽象及其流量路由能力，该能力由中央 ML 模型服务平台向多个特定领域的微服务暴露，用于模型推理。这个单一的 API，即进入 ML 模型服务平台的入口，显著提升了在现有 ML 体验上迭代新版本的创新速度，同时也支持使用 ML 构建全新的产品体验。”
在大规模在线推理系统里，路由不只是把请求分发到任意实例，而是要在延迟、吞吐、成本、可用性、模型/硬件异构性和实时负载变化之间做权衡；文章梳理了从简单静态/轮询式负载均衡，到更智能的、感知服务状态与性能指标的自适应路由思路，强调好的 routing layer 应该把模型副本、容量、队列、SLO、降级策略和观测数据结合起来，动态决定请求去哪里，从而提升资源利用率并稳定用户体验。
“这是一个多篇系列博客的第一篇，分享了我们如何通过机器学习模型服务基础设施在多个领域（例如，标题推荐、商务）大规模提供个性化体验的技术见解。
在这篇介绍性博客中，我们将深入探讨我们的领域无关 API 抽象及其流量路由能力，该能力由中央 ML 模型服务平台向多个特定领域的微服务暴露，用于模型推理。这个单一的 API，即进入 ML 模型服务平台的入口，显著提升了在现有 ML 体验上迭代新版本的创新速度，同时也支持使用 ML 构建全新的产品体验。”
在大规模在线推理系统里，路由不只是把请求分发到任意实例，而是要在延迟、吞吐、成本、可用性、模型/硬件异构性和实时负载变化之间做权衡；文章梳理了从简单静态/轮询式负载均衡，到更智能的、感知服务状态与性能指标的自适应路由思路，强调好的 routing layer 应该把模型副本、容量、队列、SLO、降级策略和观测数据结合起来，动态决定请求去哪里，从而提升资源利用率并稳定用户体验。
Realmbird正在写Deepseek 新架构mHC的系列文章，目前完成了一篇。| blog
流形约束超连接（Manifold-Constrained Hyper-Connections，mHC）是 Deepseek 新增的一种架构，并已在 Deepseek v4 中实现。
mHC 是对 HC（超连接）的一种修复，它解决了 HC 导致的梯度消失或爆炸问题，同时仍保持性能提升。因为在 HC 上添加权重和偏置会使来自较早层的信号更难更新，从而使残差流的“残差性”降低。
HC 是一种诅咒般的方法，通过在残差流上添加权重和偏置来模拟更宽的残差流。
mHC 是对 HC 的改进，其中使用 Sinkhorn-Knopp 方法使残差流上的权重和偏置变为双随机矩阵。双随机矩阵的行和列之和都为 1，就像同时沿行和列应用 softmax。MHC-lite 与 mHC 论文类似，但使用了 Birkhoff-von Neumann 方法来实现双随机矩阵。
流形约束超连接（Manifold-Constrained Hyper-Connections，mHC）是 Deepseek 新增的一种架构，并已在 Deepseek v4 中实现。
mHC 是对 HC（超连接）的一种修复，它解决了 HC 导致的梯度消失或爆炸问题，同时仍保持性能提升。因为在 HC 上添加权重和偏置会使来自较早层的信号更难更新，从而使残差流的“残差性”降低。
HC 是一种诅咒般的方法，通过在残差流上添加权重和偏置来模拟更宽的残差流。
mHC 是对 HC 的改进，其中使用 Sinkhorn-Knopp 方法使残差流上的权重和偏置变为双随机矩阵。双随机矩阵的行和列之和都为 1，就像同时沿行和列应用 softmax。MHC-lite 与 mHC 论文类似，但使用了 Birkhoff-von Neumann 方法来实现双随机矩阵。
一份面向工程设计的人形机器人指南，很多人形机器人的硬件/物理学知识 | blog | #指南
“一个类人机器人每小时大约走 5,000 步。每一步都会将相当于身体重量 2–3 倍的冲击力传递到腿部执行器——偶尔承受这样的力还可以，但当这种冲击连续数千次而不间断时，就会造成破坏。这种无情的工作循环正是大多数类人机器人执行器失效的原因，也是幸存者最终都采用相同工程解决方案的原因。
关键在于，因为这种冲击发生的速度快于任何传感器循环的反应时间（亚毫秒级），执行器必须在机械上能够‘让步’（可反向驱动性），以吸收能量。如果执行器在机械上是自锁的——如大多数工业用滚珠丝杠——齿轮箱就必须吸收 100% 的冲击能量，从而导致瞬间剪切失效。”
“一个类人机器人每小时大约走 5,000 步。每一步都会将相当于身体重量 2–3 倍的冲击力传递到腿部执行器——偶尔承受这样的力还可以，但当这种冲击连续数千次而不间断时，就会造成破坏。这种无情的工作循环正是大多数类人机器人执行器失效的原因，也是幸存者最终都采用相同工程解决方案的原因。
关键在于，因为这种冲击发生的速度快于任何传感器循环的反应时间（亚毫秒级），执行器必须在机械上能够‘让步’（可反向驱动性），以吸收能量。如果执行器在机械上是自锁的——如大多数工业用滚珠丝杠——齿轮箱就必须吸收 100% 的冲击能量，从而导致瞬间剪切失效。”
GPT-5.5 中转 API 白嫖免费额度 🎁
专注于提供 大模型中转/代理服务 的站点，通过下面链接注册，白嫖免费额度：
https://freemodel.dev/invite/FRE-2f5a0a37
通过 GitHub 注册：
https://www.orcarouter.ai/ref/ref_9b4dbb69efa9d930e387
专注于提供 大模型中转/代理服务 的站点，通过下面链接注册，白嫖免费额度：
https://freemodel.dev/invite/FRE-2f5a0a37
通过 GitHub 注册：
https://www.orcarouter.ai/ref/ref_9b4dbb69efa9d930e387
PaletteInspiration| 爱错
PaletteInspiration 平台汇集了超过 3,000 位艺术家创作的数万幅画作及其相应的色彩构成。该项目通过提取和关联作品中的 HTML 颜色代码，为设计师和艺术家提供了一个宝贵的视觉资源库。用户可以便捷地通过搜索画作名称来获取其完整的色彩调色板，亦可反向操作，输入特定颜色值，进而探寻与之相关的艺术作品及其创作者。
此平台不仅是一个专业的色彩参考工具，也为艺术爱好者呈现了一个广阔的数字艺术展览空间，涵盖了不同时代的各类艺术珍品。
PaletteInspiration 平台汇集了超过 3,000 位艺术家创作的数万幅画作及其相应的色彩构成。该项目通过提取和关联作品中的 HTML 颜色代码，为设计师和艺术家提供了一个宝贵的视觉资源库。用户可以便捷地通过搜索画作名称来获取其完整的色彩调色板，亦可反向操作，输入特定颜色值，进而探寻与之相关的艺术作品及其创作者。
此平台不仅是一个专业的色彩参考工具，也为艺术爱好者呈现了一个广阔的数字艺术展览空间，涵盖了不同时代的各类艺术珍品。
OCR识别需要多个工具，布局分析工具拆分文档结构，文本识别模型提取内容，还要额外的手动后处理，来回切换效率低下。
GLM-OCR 把OCR全流程功能全部整合到一起，提供了精准×快速×全面的文档理解解决方案。
不仅有SOTA级多模态OCR模型和布局分析，还支持复杂表格/公式/代码识别，云端API和本地部署，甚至一键CLI/Python调用。
主要功能：
- SOTA性能，在OmniDocBench V1.5得分94.62，文档理解基准排名第一；
- 实景优化，完美处理复杂表格、代码文档、印章等挑战场景；
- 高效推理，仅0.9B参数，支持vLLM/SGLang/Ollama部署，低延迟高并发；
- 超易使用，pip install glmocr 一行命令解析图片/PDF，支持CLI/Python/Flask API；
- 完整SDK，云API（零GPU）或自托管，支持大图/PDF多页文档；
- 模块化架构，可自定义布局检测、OCR调用和结果格式化（JSON/Markdown）。
支持云端API、vLLM/SGLang本地部署、多平台使用，通过pip安装即可快速上手，适合AI开发者和企业文档处理。
GLM-OCR 把OCR全流程功能全部整合到一起，提供了精准×快速×全面的文档理解解决方案。
不仅有SOTA级多模态OCR模型和布局分析，还支持复杂表格/公式/代码识别，云端API和本地部署，甚至一键CLI/Python调用。
主要功能：
- SOTA性能，在OmniDocBench V1.5得分94.62，文档理解基准排名第一；
- 实景优化，完美处理复杂表格、代码文档、印章等挑战场景；
- 高效推理，仅0.9B参数，支持vLLM/SGLang/Ollama部署，低延迟高并发；
- 超易使用，pip install glmocr 一行命令解析图片/PDF，支持CLI/Python/Flask API；
- 完整SDK，云API（零GPU）或自托管，支持大图/PDF多页文档；
- 模块化架构，可自定义布局检测、OCR调用和结果格式化（JSON/Markdown）。
支持云端API、vLLM/SGLang本地部署、多平台使用，通过pip安装即可快速上手，适合AI开发者和企业文档处理。
多模态AI开发常常需要多个专用模型，理解模型处理视觉分析，生成模型负责图像输出，还要额外集成推理和工具调用，切换繁琐效率低下。
SenseNova-U1 用NEO-unify架构从第一性原理统一多模态理解、推理和生成，提供端到端原生多模态解决方案。| 在线尝试
不仅实现像素到词的统一建模，支持高质量文本到图像生成、图像编辑、交错图文生成，还能进行视觉问答、视觉语言行动（VLA）和世界建模，开源SOTA性能。
主要功能：
- 原生统一多模态架构，无需VE和VAE，支持端到端像素-词处理；
- 高质量文本到图像生成，支持复杂信息图表、海报、漫画等高密度渲染；
- 图像编辑和交错图文生成，可生成连贯的文本+图像教程和故事；
- 视觉理解和推理，支持长上下文VQA和代理式视觉任务；
- 支持GGUF量化、低显存推理，单GPU友好，兼容Web/本地部署；
- 提供SenseNova-Studio在线 playground 和SenseNova-Skills代理集成。
支持 Transformers、LightLLM 多框架部署，8B/A3B模型规模，Apache 2.0许可，适合AI开发者、研究者和应用集成。
SenseNova-U1 用NEO-unify架构从第一性原理统一多模态理解、推理和生成，提供端到端原生多模态解决方案。| 在线尝试
不仅实现像素到词的统一建模，支持高质量文本到图像生成、图像编辑、交错图文生成，还能进行视觉问答、视觉语言行动（VLA）和世界建模，开源SOTA性能。
主要功能：
- 原生统一多模态架构，无需VE和VAE，支持端到端像素-词处理；
- 高质量文本到图像生成，支持复杂信息图表、海报、漫画等高密度渲染；
- 图像编辑和交错图文生成，可生成连贯的文本+图像教程和故事；
- 视觉理解和推理，支持长上下文VQA和代理式视觉任务；
- 支持GGUF量化、低显存推理，单GPU友好，兼容Web/本地部署；
- 提供SenseNova-Studio在线 playground 和SenseNova-Skills代理集成。
支持 Transformers、LightLLM 多框架部署，8B/A3B模型规模，Apache 2.0许可，适合AI开发者、研究者和应用集成。