主包觉得只是刷网课很无聊，给自己找点事情干，用问题导向学习效率会更高，也清楚自己欠缺什么知识，所以决定从VLA开始看，顺手参加一下蚂蚁灵波的具身大模型挑战赛。

1. 学习 Flow Matching，阅读 π₀ 论文

学习了流匹配的思想，读了PI0论文，大概了解了连续生成的架构。

什么是流匹配（Flow Matching）？

生成模型：把随机噪声，变成有意义的数据。

噪声一般为标准高斯噪声：

[
p_0 = N(0,I)
]

(p_1) 为目标数据分布。

核心问题是：每一个噪声点该怎么走。

Flow Matching的思想是：学习一个随时间变化的速度场。每个位置，每个时刻，都告诉粒子该往哪里走，走多块——粒子噪声就会随时间搬运成数据。

但问题是我们根本不知道真正的速度场应该怎样，而流匹配用了一个非常巧妙的构造：

随机取一个噪声点 (x_0) 和一个数据点 (x_1)，用直线连起来，速度为匀速 (x_1-x_0)，则：

[
x_t=(1-t)x_0+tx_1
]

训练过程：

让网络 (V(x_t,t)) 输出逼近 (x_1-x_0)（回归）。

这无需轨迹模拟，只需要每步采样一对点和一个 (t)。

但同一个位置会有很多直线经过，方向各不相同。最小化均方误差的话，刚好学到这些方向的条件平均，即真正的速度场。

训练好之后，即撒下一批全新的噪声点，用欧拉法（Euler）一步步求解常微分方程（ODE），最终得到想要的数据分布。（其实这个特别简单。。。）

总结：

1. 直线连接

2. 速度回归

3. 积分求解

Flow Matching（流匹配）本质上是一种生成模型的训练方法，并不规定必须使用哪一种神经网络（Transformer、MLP、U-Net...）如何构造训练数据、让网络预测什么、使用什么损失函数则是更应该关注的。

2. 蚂蚁灵波具身大模型挑战赛

蚂蚁灵波的代码git下来了，还没太细看，今天读论文有点力竭了，明天复现下baseline。

惊叹于主包自己知识的匮乏...

3.持续学习

更新文章的时候，正在读，写在明天的更新里。

课题组一个方向属于是，我也在狠狠了解（我觉得和自进化RSI是一个路子）。

个人感想

当算法工程师\程序员学习知识的强度这莫大吗？

感觉每一个新进展都有很多神奇的技术名词和一堆paper，知识密度也太大了qaq。