1.当前StarVLA中封装的视觉语言模型（VLM）骨干

位于starVLA\starVLA\model\modules\vlm\__init__.py

def get_vlm_model(config):

    vlm_name = config.framework.qwenvl.base_vlm

    if "Qwen2.5-VL" in vlm_name or "nora" in vlm_name.lower():  # temp for some ckpt
        from .QWen2_5 import _QWen_VL_Interface

        return _QWen_VL_Interface(config)
    elif "Qwen3-VL" in vlm_name:
        from .QWen3 import _QWen3_VL_Interface

        return _QWen3_VL_Interface(config)
    elif "Qwen3.5" in vlm_name:
        from .QWen3_5 import _QWen3_5_VL_Interface

        return _QWen3_5_VL_Interface(config)
    elif "gemma-4" in vlm_name.lower() or "gemma4" in vlm_name.lower():
        from .Gemma4 import _Gemma4_VL_Interface

        return _Gemma4_VL_Interface(config)
    elif "molmo2" in vlm_name.lower():
        from .Molmo2 import _Molmo2_VL_Interface

        return _Molmo2_VL_Interface(config)
    elif "minicpm-v" in vlm_name.lower() or "minicpmv" in vlm_name.lower():
        from .MiniCPM_V import _MiniCPM_VL_Interface

        return _MiniCPM_VL_Interface(config)
    elif "florence" in vlm_name.lower():  # temp for some ckpt
        from .Florence2 import _Florence_Interface

        return _Florence_Interface(config)
    elif "cosmos-reason2" in vlm_name.lower():
        # Cosmos-Reason2 is architecturally Qwen3-VL (VLM), but implemented
        # in world_model/ for historical reasons. Import directly.
        from starVLA.model.modules.vlm.CosmosReason2 import _CosmosReason2_Interface

        return _CosmosReason2_Interface(config)
    elif "egovla" in vlm_name.lower() or "ego_vla" in vlm_name.lower() or "vila" in vlm_name.lower():
        # EgoVLA (VILA): SigLIP-384 + Qwen2-1.5B + mlp_downsample projector.
        from starVLA.model.modules.vlm.VILA import _EgoVLA_VILA_Interface

        return _EgoVLA_VILA_Interface(config)
    else:
        raise NotImplementedError(f"VLM model {vlm_name} not implemented")

统一工厂 get_vlm_model() 支持：

  • Qwen2.5-VL（含 Nora 类检查点）
  • Qwen3-VL
  • Qwen3.5
  • Gemma 4
  • Molmo2
  • MiniCPM-V
  • Florence-2
  • Cosmos-Reason2
  • EgoVLA / VILA

此外，PI0/PI0.5 专用组合使用 PaliGemma，实现在：

starVLA\starVLA\model\modules\vlm\OpenPIPaliGemma.py

2.当前StarVLA中封装的世界模型骨干

世界模型与VLM都是骨干网络模型

def get_world_model(config):
    """Factory for world model backends.

    Routes to the correct world-model wrapper based on
    ``config.framework.world_model.base_wm`` (or falls back to
    ``config.framework.qwenvl.base_vlm`` for backward compatibility).

    Every world-model wrapper exposes:
      - ``forward(**kwargs)`` → model outputs with hidden_states
      - ``build_inputs(images, instructions)`` → dict of tensors
      - ``generate(**kwargs)`` → generation (optional)
    """

    # Prefer explicit world_model config; fall back to qwenvl for compat
    wm_cfg = config.framework.get("world_model", None)
    if wm_cfg is not None:
        wm_name = wm_cfg.get("base_wm", "")
    else:
        wm_name = config.framework.qwenvl.base_vlm

    if "cosmos-reason2" in wm_name.lower():
        from ..vlm.CosmosReason2 import _CosmosReason2_Interface

        return _CosmosReason2_Interface(config)
    elif "cosmos-predict2" in wm_name.lower() or "cosmos-predict2" in wm_name.lower():
        from .CosmoPredict2 import _CosmoPredict2_Interface

        return _CosmoPredict2_Interface(config)
    elif "wan2" in wm_name.lower() or "ti2v" in wm_name.lower():
        from .Wan2 import _Wan2_Interface

        return _Wan2_Interface(config)
    else:
        raise NotImplementedError(f"World model {wm_name} not implemented")

统一工厂 get_world_model() 支持：

  • Cosmos-Predict2
  • Wan2 / Wan TI2V
  • Cosmos-Reason2（兼容入口；本质更接近 VLM）

3.当前StarVLA中封装的动作头Action_Model

3.1当前 framework 中实际接入的动作头

动作头统一存放目录：starVLA\starVLA\model\modules\action_model

动作头没有集中式总工厂；每种动作头在自己的文件中提供 get_action_model()，例如：

  • OFT/MLP：get_action_model()
  • FAST：get_action_model()
  • PI/Flow Matching：get_action_model()
  • GR00T：get_action_model()
  • DiT 扩散：get_action_model()

当前实际接入了：

  • FAST：自回归离散动作 token
  • MLP / OFT：并行连续动作回归
  • LayerwiseFM / PI：逐层 Flow Matching
  • GR00T：DiT Flow-Matching 双系统动作头
  • DiT diffusion：扩散动作头
  • LayerwiseDD：逐层离散扩散
  • AML Flow Matching：ABot-M0 风格
  • VLA Adapter：L1 回归适配器
  • EgoVLA trajectory decoder
  • OpenPI0 action head
  • OpenPI0.5 action head

注意：不是任意骨干和动作头都能只改配置以自由组合。Qwen、世界模型与 FAST/OFT/PI/GR00T 的组合较模块化；PaliGemma、EgoVLA、ABot 等存在专用接口，通常要修改对应 framework 的特征维度、token 或调用逻辑。

3.2覆盖了当前主流且较先进的大部分动作生成范式，但不能说囊括所有最新 SOTA 方案。

已覆盖的核心路线：

  • 自回归离散动作：FAST
  • 并行连续回归：OFT / MLP
  • 扩散策略：DiT diffusion、离散扩散
  • Flow Matching：PI、GR00T、AML
  • 双系统架构：VLM 高层语义 + 动作专家低层控制
  • 专用轨迹解码器与适配器：EgoVLA、VLA Adapter

这几类基本代表现代 VLA 动作头的主要技术谱系，尤其 Flow Matching、FAST 和双系统方案属于当前重点方向。

但仓库并未完整覆盖：

  • 基于 consistency/rectified-flow 的少步或单步动作生成
  • 更完整的分层规划器与技能 token 动作头
  • 显式 3D、SE(3)、点云或几何等变动作头
  • 基于 MPC、价值函数或强化学习在线优化的动作选择器
  • 各闭源模型及刚发布论文中的专用实现
  • 多机器人 embodiment 路由、MoE 动作专家等新方案

因此更准确的评价是：它是一套覆盖面较完整的前沿动作头研究平台，而不是所有 SOTA 动作方案的全集。 对学习和横向实验而言已经很有代表性；若针对精细操作、3D 几何控制或在线强化学习，还需要扩展。

3.3 Action_Model简略介绍

  1. FAST（自回归离散） 先将连续动作压缩、量化为 token z，再建模 p(z|c)=∏ₖp(zₖ|z<ₖ,c)，以交叉熵 L=−Σlog p(zₖ*|z<ₖ,c) 训练。优点是复用语言模型、能表达多峰分布；缺点是串行解码慢，存在量化误差和误差累积。实现见 fast_ActionHeader.py。

  2. OFT/MLP（并行回归） 一次输出 Â=fθ(c)∈R^(T×D)，常用 L1：L=||Â−A||₁。速度最快、训练稳定；但点估计容易把多种可行动作平均化。见 L1RegressionActionHead。

  3. DiT 扩散 前向加噪：xₜ=√ᾱₜA+√(1−ᾱₜ)ε；网络预测 εθ(xₜ,t,c)，损失 E||ε−εθ||²；推理从高斯噪声逐步去噪。多峰能力强但采样较慢。见 ActionModel。离散扩散则先把动作量化成 bin，再通过掩码/离散转移迭代恢复，量化公式见 continuous_to_bins()。

  4. PI/Flow Matching 取 ε~N(0,I)，xₜ=(1−t)ε+tA，真实速度 v=A−ε；学习 L=E||vθ(xₜ,t,c)−v||²，推理积分 dx/dt=vθ。路径比扩散更直接，通常可减少采样步数。见 LayerwiseFlowmatchingActionHead。

  5. GR00T/双系统 System 2 的 VLM 提供语义上下文；System 1 的 DiT/Flow-Matching 动作专家高速生成连续动作。GR00T是条件注入与系统组合，不是全新概率目标。AML改为预测终点 Â，再算 v̂=(Â−xₜ)/(1−t)，见 FlowmatchingActionHead。

  6. EgoVLA/VLA Adapter EgoVLA用动作查询交叉关注完整VLM记忆和本体状态，分左右手输出专用轨迹，见 TransformerSplitActV2。VLA Adapter通过轻量注意力融合动作/本体与视觉特征，再用L1回归；参数效率高，但通用性弱于生成式动作头。

4.FAST（自回归离散）

FAST 不是逐时刻、逐维分箱，而是先压缩整段动作的时间结构，再离散化。设动作块 A∈R^(T×D)。

  1. 归一化：通常以数据分位数把各维缩放至 [-1,1]，降低异常值影响。

  2. DCT 时域压缩：对每个动作维度沿时间轴变换： C[k,d]=α(k)Σₜ A[t,d]cos[π(2t+1)k/(2T)] 低频系数描述整体运动趋势，高频系数描述快速细节。机器人轨迹通常平滑，因此多数高频系数接近零。

  3. 量化与展平：将 DCT 系数量化为整数，按低频优先次序展平。量化步长越小，精度越高但 token 更多。

  4. BPE 压缩：统计整数序列中的高频相邻模式，将其合并成一个 token。最终每个动作块通常只需约 30–60 个 token，相比逐元素分箱可压缩约 10 倍。

  5. 自回归学习：给定视觉、语言条件 c： p(z|c)=∏ₖp(zₖ|z₍<k₎,c) 训练采用 teacher forcing 与交叉熵： L=−Σₖlog pθ(zₖ*|z₍<k₎*,c)

  6. 解码：生成 token → BPE 逆变换 → 反量化 → IDCT → 反归一化，恢复 [T,D] 连续动作。

StarVLA 中编码器见 Fast_Action_Tokenizer，训练映射见 forward()，生成和解码见 predict_action()。

优势：训练快、复用 VLM、兼顾精细动作与多峰性。

局限：自回归推理较慢、存在量化误差、错误会沿 token 序列累积。

连续动作 → 离散 token → Transformer 自回归生成

5.OFT/MLP 并行回归

给定图像、语言指令及可选机器人状态，VLM 先输出条件特征。系统为未来每个动作时刻放置一个动作查询 token：

H=[h₁,h₂,…,h_T]，H∈R^(T×hidden_dim)

每个查询特征经过共享 MLP，直接回归连续动作：

â_t=MLP(h_t)∈R^D

因此整个动作块一次前向即可得到：

Â=[â₁,…,â_T]∈R^(T×D)

训练通常采用 L1 损失：

L_L1=(1/(TD)) ΣₜΣ_d |â_(t,d)−a_(t,d)|

例子

若预测未来 4 帧、每帧 7 维机械臂动作：

4 个动作 token → VLM → [4, hidden_dim]
                       → 共享 MLP
                       → [4, 7]

4 帧动作同时产生，不像 FAST 那样逐 token 生成，也不需要扩散模型多步去噪。

StarVLA 实现

  • 动作查询提取与并行预测：forward()
  • MLP 残差网络：MLPResNet
  • 连续动作头：L1RegressionActionHead
  • 并行形状变换：predict_action()
  • L1 损失计算：QwenOFT.py

优点：推理快、结构简单、训练稳定、无量化误差。
缺点：L1 倾向预测条件中位数；当同一场景存在多种合理动作时，可能产生“平均动作”，多模态表达能力通常弱于扩散、Flow Matching 或离散自回归方法。

VLM隐藏特征 → MLP/OFT → 一次性直接回归整个动作轨迹

6.DiT 扩散动作头

DiT（Diffusion Transformer）用 Transformer 充当扩散去噪器。它不是直接回归动作，而是学习把高斯噪声逐步还原成完整连续动作块。

1. 前向加噪

真实动作块为 x₀∈R^(T×D)，在随机扩散时刻 t 加噪：

x_t = √ᾱ_t x₀ + √(1−ᾱ_t) ε，ε~N(0,I)

随着 t 增大，动作结构逐渐消失，最终接近纯高斯噪声。StarVLA 在 forward() 中随机采样噪声和时刻，并通过 q_sample 构造 x_t。

2. 条件去噪网络

DiT 接收：

  • 含噪动作 x_t
  • 扩散时刻 t
  • VLM 产生的视觉、语言条件 c

预测噪声：

ε̂ = DiTθ(x_t,t,c)

动作序列内部通过 self-attention 建模时间依赖，动作与 VLM 条件可通过 cross-attention 或条件调制融合。StarVLA 调用位置是 ActionModel.forward()。

3. 训练目标

采用噪声预测均方误差：

L = E[x₀,t,ε] ||ε−ε̂θ(x_t,t,c)||²

对应 loss()。随机抽一个 t 就能训练，不需要在一次训练中执行完整去噪链。

4. 推理

从纯噪声开始：

x_K~N(0,I)

反复执行：

x_K → x_(K−1) → ... → x₀

每一步 DiT 都根据当前含噪动作、时刻和 VLM 条件预测噪声，再由调度器更新动作。最终一次生成整个 [T,D] 动作块。StarVLA 默认扩散训练步数为 100，并提供 create_ddim() 构造约 10 步的 DDIM 快速采样器。

5. 简单例子

目标是预测未来 8 帧、每帧 7 维动作：

训练：真实动作 [B,8,7]
 → 随机加噪
 → 含噪动作 [B,8,7]
 + VLM 条件 [B,L,H]
 + 时刻 t
 → DiT
 → 预测噪声 [B,8,7]
 → 与真实噪声计算 MSE

推理：随机噪声 [B,8,7]
 → DiT/DDIM 多步去噪
 → 连续动作 [B,8,7]

6. 与 MLP、FAST 的区别

  • MLP/OFT：一次直接回归，速度最快，但容易产生平均动作。
  • FAST：动作离散化后逐 token 生成，训练简单，但有量化误差和自回归延迟。
  • DiT 扩散：连续空间、多步生成，能表达多种合理轨迹且没有离散量化误差，但推理需要多次网络前向。

DiT 特别适合存在多解的任务。例如绕过障碍物时，“从左绕”和“从右绕”都合理；扩散模型可以从不同初始噪声采样出不同完整轨迹，而普通 L1 回归可能输出两条轨迹之间的不安全平均路线。

7.PI / Flow Matching 

PI 一般指 π₀ 系列使用的“VLM + Flow Matching 动作专家”方案。VLM 理解图像和指令；动作专家生成连续动作块。

1. 构造噪声到动作的路径

真实动作块记为 x₁∈R^(T×D)，采样高斯噪声：

x₀~N(0,I)

选择时间 t∈[0,1]，用线性插值构造中间状态：

x_t=(1−t)x₀+t x₁

其中 t=0 是纯噪声，t=1 是真实动作。该实现位于 forward()。

2. 目标速度场

对路径求导：

dx_t/dt=x₁−x₀=v*

动作专家接收当前轨迹、时间与视觉语言条件 c，预测速度：

v̂θ(x_t,t,c)

训练目标为：

L_FM=E||v̂θ(x_t,t,c)−(x₁−x₀)||²

StarVLA 中目标速度构造见 LayerwiseFM_ActionHeader.py，MSE 见 LayerwiseFM_ActionHeader.py。

3. 条件动作专家

动作专家通常使用 DiT：

当前含噪动作 x_t
+ 时间嵌入 t
+ 可选机器人状态
+ VLM 多层视觉语言特征
→ 条件 DiT
→ 速度场 v̂

它同时建模动作序列内部的时间关系，并通过交叉注意力读取 VLM 条件。StarVLA 的条件 DiT 调用见 LayerwiseFM_ActionHeader.py。

4. 推理：求解 ODE

从随机噪声开始：

x(0)~N(0,I)

求解常微分方程：

dx/dt=v̂θ(x,t,c)

最简单的 Euler 更新为：

x_(k+1)=x_k+Δt·v̂θ(x_k,t_k,c)

迭代到 t=1 得到连续动作块。StarVLA 的完整过程在 predict_action()，Euler 更新位于 LayerwiseFM_ActionHeader.py。

5. 示例

预测未来 8 帧、每帧 7 维动作：

训练：真实动作 x₁ [B,8,7] + 噪声 x₀ [B,8,7]
 → 随机选 t
 → 得到 x_t
 → DiT 预测速度
 → 对比目标 x₁−x₀

推理：噪声 [B,8,7]
 → 速度更新 1
 → 速度更新 2
 → ...
 → 动作 [B,8,7]

6. 与扩散模型的区别

  • 扩散：定义随机加噪过程，常预测噪声或 score，并按噪声调度反向去噪。
  • Flow Matching：直接学习概率路径上的确定性速度场，再通过 ODE 积分生成样本。
  • 两者都能表达多模态连续动作，也都需要多步推理；Flow Matching 的目标与采样路径通常更直接，较少步骤也可能获得良好结果。

与 MLP 相比，PI/Flow Matching 不会简单平均多种合理动作；与 FAST 相比，它在连续空间生成，没有动作量化误差，但需要多次动作专家前向。

8.GR00T / 双系统

GR00T 将策略拆成两个协同部分：

System 2：视觉语言骨干
图像 + 指令 → 场景理解、目标推理、语义特征

System 1：连续动作专家
语义特征 + 本体状态 + 含噪动作 → 高频动作块

“快慢双系统”主要是功能类比：System 2 负责高层语义，System 1 负责低层运动生成；不一定意味着代码中按两个固定频率独立运行。

1. System 2：高层语义条件

VLM 将图像和语言编码为：

C=VLM(I,L)∈R^(N×H)

这些特征表达物体、空间关系、任务意图等，不直接作为电机指令。StarVLA 在 Qwen_GR00T.forward() 中提取 Qwen 最后一层隐藏状态，在 QwenGR00T.py 得到 last_hidden。

2. System 1：Flow Matching 动作专家

真实动作块为 a，高斯噪声为 ε：

x_t=(1−t)ε+t·a

目标速度：

v*=a−ε

条件 DiT 预测：

v̂θ(x_t,t | C,s,e)

其中 s 是机器人关节等本体状态，e 是机器人形态或类别信息。损失为：

L=E||v̂θ−(a−ε)||²

StarVLA 的路径与目标速度位于 FlowmatchingActionHead.forward()，损失位于 GR00T_ActionHeader.py。

3. 两系统如何融合

动作专家内部包含三类 token：

机器人状态 token
+ 未来规划 token
+ 当前含噪动作 token

DiT 通过 self-attention 建模动作时序，再通过 cross-attention 读取 System 2 的视觉语言特征：

ActionExpert(x_t,t,s) ←CrossAttention→ VLM(I,L)

对应 FlowmatchingActionHead 和条件融合位置 GR00T_ActionHeader.py。

4. 推理过程

从完整动作块噪声开始：

x₀~N(0,I)

循环预测速度并积分：

x_(k+1)=x_k+Δt·v̂θ(x_k,t_k|C,s,e)

最终得到 [B,T,D] 连续动作块。StarVLA 的采样入口是 predict_action()，Euler 更新位于 GR00T_ActionHeader.py。

5. 多机器人统一

GR00T 的重要目标是跨 embodiment：不同机器人具有不同关节数、动作含义和控制方式。可通过：

  • 统一最大动作维度并使用 mask；
  • 机器人类别嵌入；
  • 类别专属输入/输出投影；
  • 共享中间动作语义空间。

StarVLA 提供类别专属层 CategorySpecificLinear 和多形态编码器 MultiEmbodimentActionEncoder。

6. 示例

输入“用右手拿起红杯子”：

System 2：识别红杯、右手、抓取意图及空间关系
      ↓ 语义特征 C
System 1：结合当前关节状态，从噪声生成
      ↓
未来 16 帧 × 7 维连续动作

7. 与 PI 的关系

两者都可采用 Flow Matching 动作专家。主要差异不在基础公式，而在系统设计：GR00T 更强调通用机器人基础模型、多机器人形态适配以及显式的视觉语言推理层与动作专家分工；PI/π₀ 更常用于概括 Physical Intelligence 的 VLM + Flow Matching 策略路线。StarVLA 中 GR00T 是这一思想的可组合实现，并不等同于 NVIDIA 官方完整 GR00T 训练系统。

非双系统的 VLM 和 Action Head 是紧耦合的。

VLM负责：

  1. 看懂环境
  2. 理解任务
  3. 提取动作相关信息

然后交给动作头。

双系统VLM输出不再直接面向动作。

它输出：高层认知结果

例如：

输入：

拿起桌上的红色杯子

以前：

可能输出：

action token

或者

action feature

GR00T：

输出：

目标：

grasp cup


对象：

red cup


位置：

table


约束：

avoid obstacle


任务阶段：

reach → grasp → lift

9.EgoVLA：双手专用轨迹解码

核心是 TransformerSplitActV2.forward()：

  1. 将动作查询从 [B·T,H] 还原为 [B,T,H]。
  2. 可把位置、旋转、指尖本体状态投影为 token，拼入查询序列。
  3. 将 VLM memory 与动作查询共同送入 Transformer，使动作查询获得视觉语言条件。
  4. 偶数查询输出左手，奇数查询输出右手： [ A_L=f_L(H_{0,2,4...}),\quad A_R=f_R(H_{1,3,5...}) ]
  5. 每只手 24 维：3 平移 + 6D 旋转 + 15 手部姿态；双手共 48 维。

它是确定性连续轨迹回归，优势是左右手结构先验明确；不足是任务和动作格式较专用。

VLA Adapter：逐层轻量条件融合

入口是 predict_action()。它初始化每个未来时刻的可学习动作块查询，再经过 24 层残差注意力模块，同时融合：

  • 动作查询特征 h_a
  • 视觉任务特征 h_t
  • 本体状态 p
  • 动作块自身特征 x

基本注意力可写为： [ Y=\operatorname{softmax}(Q_x[K_x,K_t,gK_a]^T/\sqrt d)[V_x,V_t,V_a] ] 其中可学习门控 g=tanh(α) 控制条件注入强度。Pro 版本还加入 RoPE 和独立的视觉、Adapter 投影，见 MLPResNetBlock_Pro.forward()。最后直接输出 [B,T,D] 连续动作并以 L1 训练。

区别：EgoVLA 强调双手结构化解码；VLA Adapter 强调从 VLM 多层特征中逐层提取并融合控制信息。两者都不是扩散或 Flow Matching，无需迭代采样，推理通常更快，但多模态动作表达能力弱于生成式动作头。

10.StarVLA中的framework

10.1 VLM4A：Vision-Language Model for Action

输入通常为图像、语言、状态；VLM负责视觉语言对齐，动作头负责控制：

图像+指令 → VLM token特征 → 动作查询/动作专家 → [B,T,D]

例如 Qwenvl_OFT.forward() 插入动作 token，从Qwen隐藏状态提取查询，再以MLP和L1预测动作。该类还覆盖FAST、PI/Flow Matching、GR00T、Adapter、EgoVLA等。

优点：语义理解、开放词汇和任务泛化强。缺点：模型大、延迟和训练成本高。

10.2 VM4A：Vision Model for Action

这里不是VLM，而是传统视觉策略；目前主要是ACT和Diffusion Policy：

图像+机器人状态 → CNN/策略编码器 → 动作块

ACT.forward() 使用LeRobot ACT；DiffusionPolicy.forward() 使用ResNet18、条件1D UNet和DDPM。

优点：结构紧凑、闭集任务高效。缺点：基本不理解自然语言，跨任务迁移弱。

10.3 WM4A：World Model for Action

以视频/物理推理世界模型替代普通VLM骨干：

图像/视频+指令 → 时空世界特征 → OFT/PI/GR00T动作头

CosmoPredict2_OFT.forward() 提取世界模型隐藏状态，经池化生成动作查询并做L1回归。当前组合包括CosmoPredict2或Wan与OFT、PI、GR00T。

优点：时序动态和物理预测潜力更强。缺点：计算最重，且“世界模型特征更丰富”不等于当前框架显式预测未来视频。

选择原则：语言泛化选VLM4A；固定任务和低成本选VM4A；强调动态、物理与长时序建模选WM4A。

# 人工智能
Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

cover

物理 AI 系统里缺少的执行控制层

avatar DAMO开发者矩阵
cover

《Light：Science & Applications》——单光纤形状传感新范式：强度解调、密集布点、抗干扰

avatar DAMO开发者矩阵

防火墙安全策略路由配置作业

本次实验完成企业双出口防火墙综合组网，交换机划分多业务 VLAN，防火墙通过子接口实现单臂路由承担多 VLAN 网关。依靠 IP‑Link 实现电信、联通双链路健康检测与主备自动切换。结合认证策略实现不同部门差异化认证权限，策略路由实现访问特定业务指定运营商出口。Easy‑IP 源 NAT 实现内网访问互联网，NAT‑Server 端口映射把内网 Web 服务器发布到公网，安全策略控制域间访问权限

avatar DAMO开发者矩阵