【日报】2025-12-30 今天又仔细重新读了读SAM3代码，发现之前看错了好多。SAM3比我之前以为的还要工程好多。简而言之SAM3内嵌了一个DETR，还将其与原来的SAM Mask Decoder深度集成在了一起。 截屏2025-12-30 14.49.59.png 感觉SAM3有点像是阶段性收尾工作了，把SAM系列、DETR系列还有CLIP系列（PEcore）都集成起来了。之后呢？感觉是DINO系列也要集成进去了？感觉Meta大力推视觉相关科研，搞这些是为了找到一个方便的把现实转换到“元宇宙”的方法。但是今天Meta收购了manus，是想转战LLM了吗？自家的LLaMA、LLaVA好像有点疲软，元宇宙也没做起来。 今天看到Meta还做了个SAM-Audio，挺有趣的。之前有关注过他们做的ImageBind：把视觉听觉文本还有些啥模态做了个对齐。他现在是用PEaudio来encode音频信息。 截屏2025-12-30 15.28.46.png

【日报】2025-12-29 117ce71fadd312062a25f020ff3c3e9a.png 今天看到个很有趣的Training-free GRPO，思想是拿query+experiences来做输入，动态更新experiences而不是模型。那我们是不是更进一步可以[Instruct]+[Learnable Tokens]做模型输入，冻结模型，对token进行GRPO，然后再decode看看[Learnable Tokens]到底学到了什么。查了下发现这就是RL prompt tuning。看着很有趣，稍微看两眼。有点想自己复现个玩玩。改几行代码就行了应该。最近还是复习为主。

【日报】2025-12-26 复习。忙元旦晚会。周六元旦晚会周日复习。 下周考试，元旦过完还有考试。

【日报】2025-12-25

【日报】2025-12-24 今天不知道干啥。 DINOfeature感觉已经了解的差不多了。SAM架构也了解完了。 是不是该学学SITS相关的了？