Tag: module-m6
-
【AI 核心深度 M6-096】解释统一多模态 token 化的挑战。（Challenges and Trade-offs of Unified Multimodal Tokenization）深度数理推导与工程落地解析
把文本/图像/音频/视频统一为同一套 token（离散或连续）；挑战是’离散化损失’、’模态失衡’与’序列长度爆炸’。
-
【AI 核心深度 M6-097】解释全模态模型的评估难点。（Evaluation Methodologies and Holistic Benchmarking in Omni-Modal Models）深度数理推导与工程落地解析
需覆盖多模态理解与生成、跨模态任务与模态缺失；且各模态指标不可直接比较、评估成本高。
-
【AI 核心深度 M6-072】解释 Flow Matching 的采样与求解器选择。（Sampling Trajectories and Numerical Solver Selection for Flow Matching）深度数理推导与工程落地解析
FM 采样是 ODE 积分（Euler/Heun/RK4）；路径越直、求解器阶数越高，所需步数越少。
-
【AI 核心深度 M6-073】解释 Flow Matching 的向量场回归目标推导。（Mathematical Derivation of the Vector Field Regression Objective in Flow Matching）深度数理推导与工程落地解析
对直线路径 x_t=(1−t)x_0+tx_1，条件速度恒为 x_1−x_0；回归它即回归边缘速度（条件期望定理）。
-
【AI 核心深度 M6-074】解释一致性模型（Consistency Models）与 LCM 的机制。（Consistency Models and Latent Consistency Models (LCM): Foundations and Distillation）深度数理推导与工程落地解析
训练模型使’同一条 ODE 轨迹上任意点到结果’的映射一致，从而可 1~2 步生成；LCM 把它用到潜空间。
-
【AI 核心深度 M6-075】解释 Flow Matching 与 Diffusion 的统一视角。（Unified Framework of Continuous Diffusion SDEs, Probability Flow ODEs, and Flow Matching）深度数理推导与工程落地解析
两者都是’学一个把噪声输运到数据的场’：扩散用加噪路径 + score，FM 用任意路径 + 速度场；可互相转换。
-
【AI 核心深度 M6-076】解释潜空间的语义性与潜空间插值/编辑的可行性。（Latent Space Geometry, Semantic Disentanglement, and Vector Interpolation Feasibility）深度数理推导与工程落地解析
VAE 潜空间是感知压缩（非语义），故插值较平滑但语义解耦弱；语义编辑通常需在条件（文本/属性）层面做。
-
【AI 核心深度 M6-077】解释 DiT 的变体（MMDiT 双流 / U-DiT 多尺度）。（Architectural Variants of Diffusion Transformers: MMDiT Dual-Stream vs U-DiT Hierarchical）深度数理推导与工程落地解析
MMDiT 让文本与图像各用独立权重 + 联合注意力（避免模态干扰）；U-DiT 加回多尺度以提升高分辨率表现。
-
【AI 核心深度 M6-078】解释 CFG 在 Flow Matching 中的形式与实现。（Classifier-Free Guidance Formulation and Implementation in Flow Matching）深度数理推导与工程落地解析
FM 中 CFG 用条件与非条件速度场的线性组合，形式与扩散一致；同样需要随机丢条件的训练与两次前向。
-
【AI 核心深度 M6-079】解释 ControlNet 的机制。（ControlNet Architectural Mechanics: Zero Convolutions and Trainable Encoders）深度数理推导与工程落地解析
复制一份扩散骨干作为’可训练副本’，通过零卷积接回主干，用额外条件（边缘/深度/姿态）精确控制生成结构。