这里放还没想清楚的东西：读论文的笔记、复现实验、对一个方向的判断。 结论可能会变，所以每篇都标了状态和更新时间。
视觉-语言-动作模型把“看懂、听懂”和“动手”接到同一个网络里。这篇梳理它的基本结构和关键难点。
更新于 2026年11月7日
模型内部到底在算什么？稀疏自编码器让我们第一次能在大模型里找到可读的“概念”。
预训练的规模红利放缓之后，“推理时多花算力”成了新的扩展方向。这篇拆解它的原理和训练方法。
“世界模型”这个词被用得很乱。这篇先把概念拆开，再按技术路线梳理几条代表性工作。
视频生成的指标衡量的是“像不像”，世界模型要衡量的是“对不对、能不能控、稳不稳”。