VLA 发展详解：从 RT-2、OpenVLA、π0 到 π0.5 与 π0.7
沿 RT-2、OpenVLA、π0 到 π0.5、π0.6 与 π0.7，解释机器人每步输入、动作编码、连续生成、数据与训练配方，以及泛化、强化学习和多模态引导的演进。
Topic
人工智能
21 related articles.
大语言模型训练与指标详解：参数、权重、预训练、后训练与消融实验
从参数量、权重体积和显存预算出发，解释大语言模型预训练、SFT、DPO 与强化学习后训练的核心指标，并用可复算案例设计评估和消融实验。
LeRobot 与 ACT 详解：从机器人示教数据到动作分块、训练与部署
结合 LeRobot 源码，梳理机器人数据与策略接口，推导 ACT 的动作分块、CVAE 和时间集成，并给出数据检查、训练、部署及排错流程。
VLA 与世界模型的数据来源：VR、主从采集、UMI、人类视频与仿真
从 PICO 遥操作、主从机械臂、UMI 与人类视频，到 BEHAVIOR、RoboCasa 和空间世界模型，比较数据监督、动作迁移、采集工程与截至 2026 年 9 月的研究进展。
Light-Loco-Parkour 深度解析：从地形配对参考、多技能蒸馏到自主衔接与深度视觉控制
结合原论文与 lucidrains 实现，拆解地形配对参考增强、多专家 DAgger、阶段条件 AMP 和深度 GRU 策略，并用 CPU 实验核对奖励、PPO、蒸馏与时序接口。
X-VLA 详解：软提示如何连接跨本体学习、动作生成与机器人控制
从官方论文与源码理解 X-VLA 的软提示、多视角编码、动作生成与两阶段适应，逐项核对 EE6D、旋转排列、数据接口和 LIBERO 部署。
RTC 详解：动作块如何实时执行，从推理时引导到训练时条件与世界动作模型
结合三篇论文与 Kinetix 官方实现，解释 RTC 的时间对齐、软掩码、VJP 引导、训练时前缀条件，以及高延迟世界动作模型的实时部署。
GSPO 论文详解：从 token 概率比到序列优化，为什么能改善 MoE 强化学习？
分析 GSPO 的序列概率比、长度归一化、裁剪与梯度，核对 Qwen3 MoE 实验的证据边界，并提供可运行 PyTorch 对照。
GEN-1.5 解读：机器人如何从一次示范中适应新任务？
解读 GEN-1.5 的示范上下文与少步适应，区分任务提示、参数更新和轨迹重放，并提供上下文预算与评测统计练习。
PPO、DPO 与 GRPO 详解：从策略梯度原子模块到可运行 Python 实验
从 REINFORCE、baseline、GAE、重要性采样、KL 与偏好建模推导 PPO、DPO、GRPO，提供 CPU 可运行训练、梯度测试与扩展路线。
RynnBrain 深度解析：从时空 Grounding、Chain-of-Point 到 1.1 跨本体 VLA
结合 RynnBrain 1.0/1.1 论文、模型配置和官方示例，解析时空定位、接触点、3D Grounding、跨本体动作建模及复现边界。
InternVL 3.5 深度解析：动态分辨率、Cascade RL、ViCO 与部署实践
从 InternVL 3.5 官方模型集合出发，详解视觉 token、MPO/GSPO、ViCO 路由、检查点选择、显存预算与可验证推理流程。
大模型分布式训练与显存优化指南：从 DDP、ZeRO 到 FSDP
建立训练显存账本，解释 DDP、NCCL、ZeRO 与 FSDP 的数据所有权，并梳理混合精度、重计算和 OOM 排查。
Transformer Attention 学习指南：从 Q/K/V 到现代大模型架构
从 Q/K/V、张量形状与掩码理解注意力和 Transformer，进一步讨论多头、位置编码、KV Cache 与实现验证。
Diffusion 扩散模型入门指南：从 DDPM 到 Latent Diffusion 与 DiT
从前向加噪与反向去噪推导 DDPM，串联 CFG、DDIM、Latent Diffusion 和 DiT，并提供二维 PyTorch 示例。
强化学习基础
从 MDP、回报和价值函数理解强化学习，串联策略评估与更新，并区分随机策略、环境随机性和训练验证。
解决 Isaac Lab 中module 'omni.usd' has no attribute 'UsdContext' 错误
排查 Isaac Lab 中 UsdContext 导入失败，核对 AppLauncher 启动顺序、环境和完整异常，避免误删安装扩展。
论文《Being-0: 基于视觉语言模型与模块化技能的人形机器人代理》深度解析
依据 Being-0 论文梳理分层具身智能系统与实验结果，区分论文报告、概念示意和个人工程解读。
Gymnasium入门(一)
使用 Gymnasium 运行 LunarLander 随机交互与录像，讲清 reset、step、随机种子以及终止和截断的差别。
基于三维栅格空间的A*算法裁剪流程
区分标准 A* 与视线裁剪，说明目标弹出、三维线段碰撞、路径简化以及最优性成立的条件。
基于三维栅格空间的A*算法流程C++实现
给出可独立编译的三维栅格 A*，统一 6/26 邻接、欧氏边权、穿角检查和失败返回，并与 Dijkstra 验证路径代价。