摘要： Lecture 6 - Model Training 训练目标与 Timestep 第 5 讲打开了 generation model 的 architecture black box：从 U-Net 到 DiT，再到 MM-DiT。第 6 讲进一步回答一个更实际的问题： 课程先明确范围：本讲聚焦 阅读全文

摘要： 4. Latent Space & Guidance 关于Classifier Guidance 和 Classifier-Free Guidance 很清晰的讲解 https://zhuanlan.zhihu.com/p/660518657 1. 问题设定与表示空间 前三讲都在研究 uncondi 阅读全文

摘要： 1 问题设定与 Flow 基础 前两讲介绍了两条生成路线： DDPM：人为定义加噪过程，训练网络预测 noise，再学习反向去噪； Score Matching：学习 ，把它作为走向高密度区域的“指南针”。 Lecture 2 又把二者统一到 SDE： 反向生成需要 score，而 Probabil 阅读全文

摘要： π₀.₅: a Vision-Language-Action Model with Open-World Generalization π₀.₅ 通过异构数据 co-training（跨机器人数据 + 高层语义预测 + web 数据 + 人类语言指令）和两阶段训练（discrete token 预训 阅读全文

摘要： 1 Score Matching：问题与方法 上一讲学习 DDPM 时，我们采用了这样的思路：先人为定义一个逐步加噪的 forward process，再学习 reverse process。Maximum likelihood 本来难以直接计算，但经过 ELBO、KL divergence、Bay 阅读全文

摘要： 1. 问题设定与核心直觉 图像生成系统的全貌 学习扩散模型之前，先把图像生成系统拆成几个部分： Generation paradigm：模型如何从初始状态逐步得到图像； Conditioning：如何用文本等条件引导生成； Model architecture：U-Net、Diffusion Tra 阅读全文

摘要： 这一讲要解决什么问题？ 生成模型的预测网络需要同时理解全局结构、保留局部细节、接收 timestep/text 等条件，并能扩展到高分辨率图像和视频。本讲沿着 Convolution → U-Net → DiT → MM-DiT → RoPE 的路线解释这些设计如何逐步形成。 1. Convolut 阅读全文