【日报】2025-10-30 今天一天课。

【日报】2025-10-29 干了点活、写了点作业。 PPTPPTPPTPPT，全是PPT，小组作业还要开题中期答辩啥的，感觉像是在帮别的所打工。怎么会有这种课，上课放20年前视频，作业是帮老师的研究生干活（大概）。哎，选都选了，就当拓展知识面了，反正到最后应该还是简单机器学习。 点监督RL 在anchor free的fcos上不知怎么回事没复现出来，我直接按原文在Faster RCNN上复现一下吧。为什么我要复现这么老的东西？主要是太久没看到有效果的东西需要有点正向激励，来证明我的代码能力起码是没问题的。否则都不敢写下去了。当然也是积累点经验，里面很多方法还是很有参考价值的。

AI时代如何教学？卜老师确实站在这方面教学最前沿。 不是一刀切的禁止使用、查AI率，而是将AI融入教学中来。教算法，教用神经网络优化算法，教如何让AI寻找算法，教人应该如何用AI设计算法—这才是AI时代学校该做的，这也是这门课正在教的。从用神经网络剪枝np-hard问题，到用强化学习优化矩阵乘法，将AI真正结合进教学底层逻辑，卜老师无疑是做了很多优秀的探索。 开学几次讲话的时候，国科大校长、计算所所长等几位学术大牛也都分别强调了要拥抱AI，接受AI，将AI合理的结合进学术生活中。这门课就是个非常好的例子。

【日报】2025-10-28 今天老老实实学RL、上课、写课程作业。 组会朱浩师兄提出的rename class name很有意思。DINOv3应该算是fundamental model，对于特定的Task，专门训一个特定的Head来完成它应该是最自然的方案。不过能training-free 自然更好。 LLM/VLM/CLIP/DINO/SAM的结构差异很大，训练方式也不同，都是针对各自的task来设计的。CLIP是为了构建一个“图像域”与“文本域”的映射/匹配关系，所以自然对文本更鲁棒。LLM就不用说了，是在“文本域”的序列预测。而VLM为了能够接受“图像域”的信息，设计了一个“投影层”，将CLIP的“图像域”的encoder投影到LLM的语义空间，再end2end微调，这样达到了接收图像输入。而DINO就更不一样了，它的初衷就是fundamental model，所以他的目标就是让特征空间分布尽可能的丰富。对于DINOv3，它用Gram锚定来保证高维空间信息丰富，Teacher-Student架构保证feature在pixel-wise对齐与全局语义能和局部语义对齐，就没怎么考虑“分割”这个down-stream task。而SAM则是纯粹为了能够接收各种prompt进行分。所以在我看来让fundamental model强行有segment model的效果，我感觉有违它的初衷，可能并不是解决了一个他的“痛点”？反而可能那些看似“工程”的拼接工作——用SAM分割、DINO获得/增强对应feature（这块我没了解）、CLIP判断语义——更加合理。**当然，这个工作确实很创新、很有效，而且也很有意义。** 关于 点监督RL确实像我之前说的，可能需要在anchor-based的上来。选了卜东波老师的算法设计课，他课上也一直在讲RL相关成果，非常精彩。

【日报】2025-10-27 之前三天在忙小组作业、学生工作还有爬山。 基本上把市面上为数不多的目标检测+RL的给看了一圈。