全站效率技术覆盖矩阵

这页是全站地图，回答一个问题：每个专题到底服务哪类效率，证据入口在哪里，还有什么不能证明。 它不替代各专题正文，也不替代 证据与复现状态标准。

读法

先按瓶颈选路线，再进入对应专题。不要把数据效率、训练效率、推理效率、显存效率、验证效率和部署效率混成一个笼统的“更高效”。

覆盖矩阵

专题	数据效率	训练效率	推理效率	显存效率	验证效率	部署效率	证据入口	当前缺口
世界模型	RSSM/Dreamer、MWM、失败回流	latent dynamics、masked/JEPA、轨迹 packing	imagined rollout、CausVid-style streaming	latent state、KV/GQA、低比特 rollout	action sensitivity、closed-loop gain、risk ECE	cost per success、延迟门禁	Claim Ledger、世界模型效率矩阵	前沿视频世界模型仍需真实闭环与独立复现
VLM/VLA	web-scale 表征迁移、机器人数据混合	visual tokenizer、connector、action token	action chunk、VLA rollout 调度	视觉 token 压缩、长视频 memory	task bucket、failure replay	安全回退、动作接口治理	VLA 全链路案例	需要更多跨硬件、跨任务的动作因果证据
具身智能	sim2real、near-miss、数据引擎	多相机/深度/轨迹 schema	闭环控制频率、恢复策略	几何状态层、相机 token	真实任务成功率、安全 case	部署模式、人机接管	RT-2、Open X、π0.5、Depth Anything 3 专题	真实家庭长任务复现成本高
训练	数据质量、去重、mixture、curriculum	ZeRO/FSDP、checkpointing、低比特训练、packing	MTP 影响推理候选	optimizer/gradient/activation state	ablation、run governance、artifact 复盘	checkpoint 可恢复、实验经济学	证据标准、ZeRO/Megatron/技术报告专题	系统吞吐和任务质量仍需同表报告
推理	prompt/cache 复用降低重复计算	serving trace 反哺训练配置	prefill/decode、KV、routing、speculative	KV cache、batch、上下文压缩	online eval、SLO、shadow	P95/P99、capacity planning	rollout 服务案例	系统指标不能直接证明规划质量
量化	QLoRA/低成本适配	FP8/FP4/QAT、敏感头保护	W4A16、KV INT8、runtime kernel	权重、activation、KV、scale metadata	quality regression、task bucket	端侧/多租户/回退路径	SmoothQuant、Low-bit Survey、DeepSeek/Nemotron 专题	低比特收益需按任务桶和硬件复验
算子与编译器	shape bucket 改善有效样本吞吐	GEMM/attention/communication overlap	kernel fusion、runtime dispatch	HBM、shared memory、register、通信 buffer	microbench + end-to-end trace	硬件拓扑、kernel fallback	MagiAttention、FlashAttention、DeepGEMM 专题	microbenchmark 不等于端到端收益
扩散模型	teacher/student 和 distillation 降采样成本	DMD/LCM/Rectified Flow 少步训练	少步采样、streaming video	latent diffusion、VAE 压缩	FID/VBench 与任务评测区分	预览/终稿分层	DMD、DMD2、CausVid、Wan 专题	视频质量指标不能替代 planning utility
强化学习	replay、offline RL、verifiable reward	policy gradient、GRPO、world-model RL	rollout batching、reward 评估	actor/critic/value state	closed-loop、reward hacking、risk	自动验证、失败回流	RL for world models、verl 流程	verifier 质量决定 RL 是否真省人工
论文专题	汇总数据配方证据	汇总训练链路证据	汇总推理/系统证据	汇总显存/KV/低比特证据	汇总 benchmark、ablation、closed-loop	汇总代码、demo、部署证据	证据标准	新增专题必须同步补 Evidence Snapshot

成熟度分层：别把前沿方向和工程基线混读

成熟度	典型技术	采用风险	进入实验前先问
经典已验证	Dreamer/RSSM、ZeRO、Megatron-LM、SmoothQuant	主要风险来自任务迁移和实现细节	新任务的状态、动作、硬件和数据分布是否相同
工程常用	KV cache、FSDP、profiling、SLO、低比特 runtime	主要风险来自端到端收益打折	microbench、trace、质量回归是否同表
前沿待复现	新视频世界模型、2025-2026 技术报告、闭源能力 claim	主要风险来自证据不完整	是否只有论文主表或官方 claim
官方展示	项目视频、interactive demo、少量 qualitative case	主要风险来自选择性展示	是否有平均指标、失败 case 和闭环评测
本站推断	成本账、路线树、toy fixture、跨论文综合	主要风险来自把假设当结论	是否已写清 Site Inference 和下一步实验

方法选择树：按瓶颈选路线

flowchart TD
    A["先问：瓶颈是什么？"] --> B["真实数据或机器人小时数不足"]
    A --> C["视觉 token / 视频 context 太多"]
    A --> D["训练显存或通信撑不住"]
    A --> E["rollout / 服务延迟太高"]
    A --> F["闭环验证不可信"]
    A --> G["部署成本或端侧预算太紧"]

    B --> B1["读世界模型：Dreamer/RSSM、MWM、数据引擎、offline-online hybrid"]
    C --> C1["读 VLM/VLA：visual tokenizer、MWM、V-JEPA、geometry state"]
    D --> D1["读训练/算子：ZeRO/FSDP、checkpointing、packing、MagiAttention、FP8"]
    E --> E1["读推理/扩散：KV cache、KVSlimmer、CausVid/DMD、batching/SLO"]
    F --> F1["读评测：action sensitivity、closed-loop gain、risk calibration、failure replay"]
    G --> G1["读量化/部署：低比特、runtime、kernel fallback、cost per success"]

    B1 --> H["进入 VLA / 世界模型全链路案例"]
    C1 --> H
    D1 --> I["进入 rollout 服务、量化与 kernel 案例"]
    E1 --> I
    F1 --> J["进入完整实验报告样例"]
    G1 --> I

方法选择树怎么用

这棵树只负责把瓶颈导向专题和案例，不替代论文证据。进入具体页面后仍要回到 Evidence Snapshot：确认 claim 是 Paper Result、Ablation、System Throughput、Closed-loop、Official Demo、Toy Fixture 还是 Site Inference。

从瓶颈到技术选择

瓶颈	优先技术	先读页面	必须通过的验收门禁
真实数据不足	RSSM/Dreamer、MWM、offline-online hybrid、failure replay	世界模型高效训练路线图、完整实验报告样例	学习曲线、数据预算、failure bucket、closed-loop gain
视觉 token 太多	visual tokenizer、masked/JEPA、geometry state、latent dynamics	Masked / JEPA 与潜变量预测、VLM/VLA 接口	压缩率、action sensitivity、遮挡/接触/risk case 回归
训练显存/通信不足	ZeRO/FSDP、checkpointing、sequence packing、MagiAttention、FP8	训练、算子与编译器	MFU/step time、峰值显存、通信 trace、checkpoint 恢复、收敛指标
rollout 延迟过高	KV cache、KVSlimmer、CausVid/DMD、batching、低比特 serving	推理、Rollout 服务案例	TTFT/TPOT、P95/P99、KV memory、quality regression、cost per success
闭环验证不可信	action sensitivity、closed-loop success、risk calibration、failure replay	世界模型评测、VLA 闭环恢复	counterfactual action、risk ECE、失败回放、真实/仿真闭环分开报告
部署成本过高	量化、kernel fallback、runtime、SLO、fallback policy	量化、推理成本建模	任务桶回归、敏感头保护、硬件 kernel 支持、SLO 和回滚路径

使用门槛

1. 写“更高效”时必须说明省的是哪一列成本。
2. 引用前沿系统时必须补 Evidence Type 和 Repro Status。
3. 只有 System Throughput 不能证明任务质量，只有 Official Demo 不能证明平均成功率，只有 Toy Fixture 不能证明真实系统有效。