Charles's Castle

具身智能现在最迷人的地方，也是最容易误判的地方，是 demo 看起来越来越像“机器人真的懂了”。但系统化梳理后的提醒很清楚：真正的问题不只是模型会不会看图出动作，而是它有没有任务状态、会不会拒绝无效指令、能不能从失败中恢复，数据是不是太干净，评测是不是只看了最终状态。 图源：Wikimedia Commons: Hyd

当一个知识体系同时覆盖扩散模型、VLM、VLA、量化、训练、推理、世界模型与具身智能时，真正困难的往往不是“资料太少”，而是“资料太多而缺乏路径”。这份学习路径不是简单罗列章节，而是给出一条兼顾研究理解、工程实现和系统判断力的推进顺序。它尤其适合已经具备基础机器学习背景、希望在 3 到 12 个月内建立系统能力的人。

这一页把全站几个核心主题放到同一张地图里，目的不是做百科式罗列，而是帮助你形成一个更稳定的判断框架：这个方向究竟解决什么问题，输入和输出是什么，瓶颈发生在训练、推理、部署还是现实世界交互，学习时哪些数学对象必须看懂、哪些工程对象必须跟住。 如果把整站内容看成一个 AI 系统谱系，可以先用一句话概括： 这几个主题不是平行

真实的模型系统建设，很少是“看到一个 SOTA 方法就直接上”。更多时候，团队面对的是一连串不完美选择：要不要换更大模型，还是先做检索？要不要做量化，还是先蒸馏？要不要追求一步生成，还是接受十几步但更稳？要不要端到端 VLA，还是保留分层控制？这些问题没有脱离场景的标准答案，但它们确实存在一组反复出现的决策模式。本文试

verl 是一个面向大模型 RL 后训练的工程框架，官方定位是 verl/HybridFlow: A Flexible and Efficient RL Post-Training Framework 。这篇不复述安装命令，也不把源码入口列成清单；它只回答一个问题： 为什么 RLHF/GRPO 训练不像 SFT 那样一

世界模型不是“会生成未来画面”就够了。对决策系统来说，世界模型真正要回答的是： 如果我在当前状态做这个动作，未来会发生什么，这个未来是否值得执行。 强化学习提供了三件工具：用 MDP/Bellman 表达长期后果，用 value/reward 判断候选未来，用 policy 或 planner 把高价值未来变成动作。

这篇只回答一个问题： 如果模型的动作来自采样，甚至是离散 token，为什么还能用梯度把它训练得更好？ Policy Gradient 给出“提高好采样概率、降低坏采样概率”的基本方法；Actor-Critic 用 value 降低方差；PPO 用概率比和 KL 控制更新幅度；GRPO 用同题多样本的相对奖励替代 cr

这篇回答的问题。 如何理解“MDP、价值函数与 Bellman”背后的核心机制、适用边界和下一步阅读路径。 强化学习最核心的问题不是“用哪个算法”，而是： 一个 agent 现在做出的动作，会怎样改变未来，以及怎样把未来的好坏反推回当前动作。 MDP 给出决策问题的语言，value function 给出未来收益的度量

这一页讲量化放到服务系统里以后，怎样按硬件、延迟、吞吐、成本和质量目标做取舍。具体 runtime 兼容性放在 量化运行时与部署框架。 核心问题 量化服务选型真正要回答的是： 低比特带来的节省，是否能在你的硬件、runtime、请求分布和质量门槛下兑现成更低成本或更高容量。 这句话里每个词都重要。硬件决定 FP8/IN

量化 checkpoint 只有在 runtime 能把低比特格式、权重布局、KV cache、batching 和 kernel 路径接起来时，才会变成真实端到端收益。硬件和成本模型放在 量化服务栈与硬件选择，底层 kernel 细节放在 低精度与量化 Kernel。本页聚焦中间这层： 低比特模型怎样被运行时可靠地加