计算机视觉与模式识别正迎来 “多模态融合+高效落地” 的双重爆发！如今的研究早已跳出单一视觉任务框架，核心突破集中在三大方向。
多模态 LLM 成为绝对热点，视觉编码器与大语言模型深度整合，实现图像理解、跨模态检索与逻辑推理的无缝衔接，在文档解析、医疗诊断等场景准确率大幅提升。同时，轻量化与效率优化持续推进，通过稀疏化、知识蒸馏等技术，让复杂模型适配边缘端部署。
1.Bayesian Window Transformer for Image Restoration
【要点】本文提出了一种新型的贝叶斯窗口变换器，通过概率分布实现窗口位移，以解决传统变换器在图像复原中固定窗口配置的限制，提高了翻译不变性和局部关系保持能力。
【方法】采用贝叶斯框架，通过引入概率分布对窗口位移进行建模，配合层期望传播和蒙特卡洛平均两种近似推理算法，以计算分布导出的期望，近似概率变量的边缘化结果。
【实验】在多个图像复原任务，包括图像去雨、去噪和去模糊中，使用未指明的数据集进行了综合实验，验证了贝叶斯窗口变换器的卓越效果。
2.MotionLLM: Understanding Human Behaviors from Human Motions and Videos
【要点】本研究提出了一种名为MotionLLM的新框架，通过结合视频和动作序列两种模态，有效地理解和解释人类行为，这是与现有的仅针对视频或仅针对动作序列的LLM模型不同的创新之处。
【方法】MotionLLM采用了一种统一的视频-动作训练策略，结合了粗略的视频-文本数据和细粒度的动作-文本数据，以获取丰富的时空洞察。
【实验】研究者收集了一个名为MoVid的大规模数据集，包含了多样的视频、动作、标题和指令。并且提出了MoVid-Bench评估基准，通过精心的人工标注，更好地评估了在视频和动作上的人类行为理解能力。广泛的实验证明了MotionLLM在标题生成、时空理解以及推理能力上的优越性。
3.Structural Similarity in Deep Features: Unified Image Quality Assessment Robust to Geometrically Disparate Reference
【要点】本文提出了一种新的图像质量评估方法DeepSSIM，该方法在处理几何差异较大的参考图像时，能有效评估图像的深层次结构相似性，不受特定任务限制，具有广泛的适用性和鲁棒性。
【方法】作者通过一种统一、无需训练的DeepSSIM方法，利用深度特征的结构相似性评估，并结合注意力校准策略，以减少注意力偏差，解决了几何差异较大的参考图像质量评估问题。
【实验】本文在多个AR-IQA数据集上测试了DeepSSIM方法，并对比了不同GDR-IQA测试案例，结果表明该方法达到了现有方法的最佳性能，并在图像超分辨率、增强和恢复的训练优化中显示出了有效性。
4.Text-Derived Relational Graph-Enhanced Network for Skeleton-Based Action Segmentation
【要点】本文提出了一个基于文本生成的关联图增强网络（TRG-Net），利用大语言模型（LLM）生成的先验图来改进骨架动作分割中的建模和监督策略，实现了动作识别的高效性和准确性。
【方法】研究采用动态时空融合建模（DSFM）方法，结合文本生成的关节图（TJG）和通道及帧级别的动态调整，同时使用绝对-相对类间监督（ARIS）方法，通过动作特征与文本嵌入的对比学习，规范绝对类分布并利用文本生成的动作图（TAG）捕捉动作特征之间的相对关系。
【实验】在四个公开数据集上进行的性能评估显示，TRG-Net网络取得了当前最佳效果，实验中使用了随机关节遮挡和轴向旋转的空域感知增强处理（SAEP）方法来提高空间泛化能力。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
