https://auto-driving-blog.pages.dev/tags/-%E6%8E%A8%E7%90%86%E5%8A%A0%E9%80%9F/ Recent content in ⚡ 推理加速 on Elon's AD Insight https://auto-driving-blog.pages.dev/images/share.png https://auto-driving-blog.pages.dev/images/share.png Hugo zh-cn Tue, 27 Oct 2026 00:00:00 +0000 https://auto-driving-blog.pages.dev/posts/paper-reading/gr00t-n1/ Tue, 27 Oct 2026 00:00:00 +0000 https://auto-driving-blog.pages.dev/posts/paper-reading/gr00t-n1/ GR00T N1.7 技术报告（arXiv 2609.18108，CC BY 4.0）精读：把英伟达 GR00T N1.7 的迭代流匹配 DiT 动作头替换为「一步漂移动作头」（继承 IDP 目标：几何加权势能 + 零动作种子单次前向吐完整 H=40 动作块），并实现 DrifOv 重叠条件后缀生成（已承诺前缀逐坐标原样拷贝、只生成未知后缀，供异步换块用）。实测（LIBERO / LeRobot 栈、2×A800、20k 步、种子 1/42/1000）：动作头 45.3→5.0ms（约 9×），backbone+头 70.0→30.6ms（2.2–2.4×），GPU 训练显存观测 45.7→17.8 GiB；但成功率系统性下滑——Spatial 64.0±4.0% vs GR00T 82.3±6.8%、Goal 52.0±1.0% vs 82.3±4.0%、Long 26.0±2.6% vs 74.5±10.6%，三种子方差极小 = 退化是系统性的。报告给出四个候选解释（确定性一步的模式平均、minibatch 几何估计、H=40 开环执行、同步评测没测到异步重叠路径）并明确「不宣称整体改进，只报速度-成功率权衡」。含英伟达官方 GR00T N1.7 背景（3B、Cosmos-Reason2/Qwen3-VL、Apache 2.0）。逐张讲解全部 6 张插图。 https://auto-driving-blog.pages.dev/posts/paper-reading/flash-wam%E7%B2%BE%E8%AF%BB/ Tue, 20 Oct 2026 00:00:00 +0000 https://auto-driving-blog.pages.dev/posts/paper-reading/flash-wam%E7%B2%BE%E8%AF%BB/ Northeastern/UGA/EmbodyX《Flash-WAM: Modality-Aware Distillation for World Action Models》精读：WAM 每块要跑几十步去噪，实时控制无从谈起；而现成的步蒸馏方法一用到「视频+动作」联合模型上就崩。原因是一致性函数的梯度随噪声 σ 二次消失，而动作恰好要在低噪声段精修。Flash-WAM 给动作流换成线性梯度的一致性函数、视频流保留标准函数，在 LingBot-VA 上把 8.1 秒压到 347 毫秒（23×）仍保住 81.4% 成功率，并迁移到 Motus 与真机 Unitree G1。本文逐张讲解全部 4 张图，明确标注 RoboTwin 与 LIBERO 为仿真、G1 为真机，给出教师微调/蒸馏的完整训练配置与数据来源。