文章清单（科研）

• 大模型核心机制：Next Token Prediction (NTP) 深度解析 - ITJone的文章 - 知乎 https://zhuanlan.zhihu.com/p/2010358622895510961

• 为什么 LLM 仅预测下一词，就能「涌现」出高级能力？ - 跑酱er的回答 - 知乎 https://www.zhihu.com/question/1968361285579150015/answer/1988303137023467994

• Vision Language Model（VLM）的经典模型结构是怎样的？ - 叫我Alonzo就好了的回答 - 知乎 https://www.zhihu.com/question/15279597971/answer/128202135882

• Vision Language Model（VLM）的经典模型结构是怎样的？ - OpenMOSS Vision的回答 - 知乎 https://www.zhihu.com/question/15279597971/answer/2022090318628098112

• VLM｜漫谈视觉语言模型（VLM）预训练方法：CLIP、ALIGN、SigLIP、BLIP、Flamingo 和 LLaVA - 姚远的文章 - 知乎 https://zhuanlan.zhihu.com/p/1923029357766636478

• VLM｜漫谈千问系列视觉语言模型（VLM）预训练方法：Qwen-VL，Qwen2-VL，Qwen2.5-VL - 姚远的文章 - 知乎 https://zhuanlan.zhihu.com/p/1926952687997547294

• 在具身智能领域，VLA都是在VLM上扩展的么？ - 陈康成的回答 - 知乎 https://www.zhihu.com/question/1994795532414111908/answer/1994796850293781205

• 清华和Qwen团队最新！深究VLM如何影响VLA性能？并通过少量新参数转化为VLA策略 - 具身智能之心的文章 - 知乎 https://zhuanlan.zhihu.com/p/1993680497969214504

• VLM4VLA：在VLA模型中重新审视VLM模型 - mao眼的文章 - 知乎 https://zhuanlan.zhihu.com/p/1996982893168322239

• VLA与VLM的路线之争：https://mp.weixin.qq.com/s/Xfe23s1r7snla2kLNDX8NA

苏剑林

核心 VAEs 系列

• 变分自编码器（一）：原来是这么一回事
  https://spaces.ac.cn/archives/5253
  从普通 AutoEncoder（AE） 引入，详细解释 VAE 与 AE 的区别、Encoder 输出均值和方差的机制等。入门必读。
• 变分自编码器（二）：从贝叶斯观点出发
  https://spaces.ac.cn/archives/5343
  从贝叶斯角度深入 VAE 原理。
• 变分自编码器（三）：这样做为什么能成？
  https://spaces.ac.cn/archives/5383
  讨论 VAE 为什么有效。
• 变分自编码器（四）：一步到位的聚类方案
  https://spaces.ac.cn/archives/5887
  VAE 在聚类上的应用。
• 变分自编码器（五）：VAE + BN = 更好的VAE
  https://spaces.ac.cn/archives/7381
  解决 KL 散度消失等问题。
• 变分自编码器（六）：从几何视角来理解VAE的尝试
  https://spaces.ac.cn/archives/7725
  特别推荐：从经典 自编码器（AutoEncoder，AE） 出发，用几何视角解释 VAE 的特性。明确对比了 AE 的降维重构原理。
• 变分自编码器（七）：球面上的VAE（vMF-VAE）
  https://spaces.ac.cn/archives/8404
• 变分自编码器（八）：估计样本概率密度
  https://spaces.ac.cn/archives/8791
  继续讨论 VAE 的概率密度等高级话题。

其他直接涉及 AE 的博文

• EAE：自编码器 + BN + 最大熵 = 生成模型
  https://spaces.ac.cn/archives/7343
  介绍一种基于普通 自编码器（AutoEncoder） 的生成模型变体（Entropic AutoEncoder），结合 BatchNorm 和最大熵正则。

• VQ-VAE的简明介绍：量子化自编码器
  https://spaces.ac.cn/archives/6760
  介绍 Vector Quantized VAE（VQ-VAE），对比普通 AE 和 VAE 的改动，强调其离散编码特性。

  【【DeepBean】中文字幕｜VQ-VAE 向量量化变分自编码器】 https://www.bilibili.com/video/BV1RmAZzjEUH/?share_source=copy_web&vd_source=362d5007219fe1a6e60141701f54720a

• SVD分解(一)：自编码器与人工智能
  https://spaces.ac.cn/archives/4208
  早期文章，将自编码器与 SVD 矩阵分解对比，讨论其在 AI 中的意义。