除了把 HomePod 放到 IoT VLAN ，还有什么更优雅的解决方案吗？
除了把 HomePod 放到 IoT VLAN ，还有什么更优雅的解决方案吗？
除了把 HomePod 放到 IoT VLAN ，还有什么更优雅的解决方案吗？
除了把 HomePod 放到 IoT VLAN ，还有什么更优雅的解决方案吗？
除了把 HomePod 放到 IoT VLAN ，还有什么更优雅的解决方案吗？
除了把 HomePod 放到 IoT VLAN ，还有什么更优雅的解决方案吗？
个人想租一个服务器实操一下模型微调和VLA训练，各位佬有没有推荐？ 2 个帖子 - 2 位参与者 阅读完整话题
IT之家 6 月 1 日消息，小鹏 P7+ 迎来 OTA 6.2.0 更新，新增第二代 VLA 智能辅助驾驶系统。 据介绍，小鹏 P7+ 迎来 OTA 6.2.0 更新新增三大功能： VLA2.0 全场景辅助驾驶 无导航 NGP 漫游 全场景原地起步，P 挡直启 NGP 据IT之家了解，以上功能均适配 26 款 P7+Ultra / Ultra SE 车型。
Kevlar-4u 社交媒体内容发布前的“舆论沙盒（评论区模拟器）”。让 AI 扮演不同立场的网民对你的作品进行“模拟毒打”，提前排查措辞盲区与公关翻车风险。 基于 Multi-Agent+本地 MCP 架构，支持 Claude 等主流 AI 客户端。 GitHub： https://github.com/9Churze/kevlar-4u
怎么感觉lerobot框架下vla的lora效果统一都不好啊 1 个帖子 - 1 位参与者 阅读完整话题
做独立开发、内容创作最怕一句话没说好，隔天被敏感群体误读甚至冲上负面。 毕竟我们自己看自己写的文案，往往有“知识的诅咒”和盲区。 于是整了个新活，开源了一个内容风控/评论区模拟器：Kevlar-4u 。 💡 它是干嘛的？ 把准备发的产品介绍、公告或贴文丢给它。它内置了 9 种经过严格脱敏的“基本盘画像”（如：理性严密男性视角、独立女性视角、务实职场人、硬核消费者等）。 抢在真网民开喷之前，让 AI 先在沙盒里对你进行一顿“模拟毒打”，提前找出措辞隐患或逻辑漏洞。 🛠️ 技术实现 基于 Multi-Agent 架构 + 本地 MCP (Model Context Protocol) 服务。 原生支持 Claude Desktop 、Codex 、WorkBuddy 等客户端，即插即用，确保内容隐私安全。 项目刚开源，初衷是帮大家在 Launch 产品时少踩雷。欢迎体验、提 Issue 或送个 Star ⭐️！ GitHub： [ https://github.com/9Churze/kevlar-4u ]
做独立开发、内容创作最怕一句话没说好，隔天被敏感群体误读甚至冲上负面。 毕竟我们自己看自己写的文案，往往有“知识的诅咒”和盲区。 于是整了个新活，开源了一个内容风控/评论区模拟器：Kevlar-4u 。 💡 它是干嘛的？ 把准备发的产品介绍、公告或贴文丢给它。它内置了 9 种经过严格脱敏的“基本盘画像”（如：理性严密男性视角、独立女性视角、务实职场人、硬核消费者等）。 抢在真网民开喷之前，让 AI 先在沙盒里对你进行一顿“模拟毒打”，提前找出措辞隐患或逻辑漏洞。 🛠️ 技术实现 基于 Multi-Agent 架构 + 本地 MCP (Model Context Protocol) 服务。 原生支持 Claude Desktop 、Codex 、WorkBuddy 等客户端，即插即用，确保内容隐私安全。 项目刚开源，初衷是帮大家在 Launch 产品时少踩雷。欢迎体验、提 Issue 或送个 Star ⭐️！ GitHub： [ https://github.com/9Churze/kevlar-4u ]
很多内容创作者都有一种经历，你觉得自己已经表达得很清楚了。 但作品发布后才发现： · 用户理解错重点 · 评论区开始歪楼 · 一句话被断章取义 · 读者根本没看懂 这种“理解偏差”很多时候是因为， 作者脑海中的意思，和公众实际接收到的意思，并不是一回事。 开源项目：Kevlar-4u 。 它本质上是一个：“评论区模拟器”。 你把准备发布的内容丢给 Kevlar 不会只告诉你：“写得不错”。 而是会模拟不同人的真实反应： “所以你到底想表达什么？” “太抽象了” “重点不明确” “普通用户根本不会这样理解” “这句话很容易被误读” 很多反馈甚至会让人有点难受。但也往往非常真实。 项目基于 Multi-Agent + 本地 MCP 架构，纯本地，即插即用。 支持目前主流 AI 客户端，例如： Claude Codex WorkBuddy 等 项目地址： https://github.com/9Churze/kevlar-4u
很多内容创作者都有一种经历，你觉得自己已经表达得很清楚了。 但作品发布后才发现： · 用户理解错重点 · 评论区开始歪楼 · 一句话被断章取义 · 读者根本没看懂 这种“理解偏差”很多时候是因为， 作者脑海中的意思，和公众实际接收到的意思，并不是一回事。 开源项目：Kevlar-4u 。 它本质上是一个：“评论区模拟器”。 你把准备发布的内容丢给 Kevlar 不会只告诉你：“写得不错”。 而是会模拟不同人的真实反应： “所以你到底想表达什么？” “太抽象了” “重点不明确” “普通用户根本不会这样理解” “这句话很容易被误读” 很多反馈甚至会让人有点难受。但也往往非常真实。 项目基于 Multi-Agent + 本地 MCP 架构，纯本地，即插即用。 支持目前主流 AI 客户端，例如： Claude Codex WorkBuddy 等 项目地址： https://github.com/9Churze/kevlar-4u
很多内容创作者都有一种经历，你觉得自己已经表达得很清楚了。 但作品发布后才发现： · 用户理解错重点 · 评论区开始歪楼 · 一句话被断章取义 · 读者根本没看懂 这种“理解偏差”很多时候是因为， 作者脑海中的意思，和公众实际接收到的意思，并不是一回事。 开源项目：Kevlar-4u 。 它本质上是一个：“评论区模拟器”。 你把准备发布的内容丢给 Kevlar 不会只告诉你：“写得不错”。 而是会模拟不同人的真实反应： “所以你到底想表达什么？” “太抽象了” “重点不明确” “普通用户根本不会这样理解” “这句话很容易被误读” 很多反馈甚至会让人有点难受。但也往往非常真实。 项目基于 Multi-Agent + 本地 MCP 架构，纯本地，即插即用。 支持目前主流 AI 客户端，例如： Claude Codex WorkBuddy 等 项目地址： https://github.com/9Churze/kevlar-4u
IT之家 5 月 14 日消息，小米技术昨日正式发布并开源 Xiaomi OneVL 一步式潜空间语言视觉推理框架。 小米创办人、董事长兼 CEO 雷军昨晚发文谈及了小米自动驾驶模型 Xiaomi OneVL。他表示， Xiaomi OneVL 在业内率先通过潜空间推理，将 VLA、世界模型统一到同一套框架中 。 雷军还提到，在推理、规划等多个主流基准上， Xiaomi OneVL 全面刷新了潜在推理方法的性能上限 。模型与代码全面开源。雷军最后还向全球开发者、研究人员发出邀请，探索自动驾驶大模型更多可能性。 根据小米技术官方介绍，Xiaomi OneVL 在业内率先实现 VLA、世界模型、潜空间推理等多个技术路线的统一，在具备 XLA 模型强悍推理能力的基础上，大幅提升了推理的速度和精度，是行业内具备开创性的方案，在精度上超越显式 CoT、在速度上对齐“仅答案”预测的潜空间 CoT 方案。 小米已将 Xiaomi OneVL 的模型权重和训练、推理代码全面开源，IT之家汇总链接如下： 技术报告： https://arxiv.org/abs/2604.18486 项目主页： https://Xiaomi-Embodied-Intelligence.github.io/OneVL 开源代码： https://github.com/xiaomi-research/onevl
IT之家 5 月 13 日消息，小米技术今日正式发布并开源 Xiaomi OneVL 一步式潜空间语言视觉推理框架。 官方表示，该模型 在业内率先实现 VLA、世界模型、潜空间推理等多个技术路线的统一 ，在具备 XLA 模型强悍推理能力的基础上，大幅提升了推理的速度和精度，是行业内具备开创性的方案，在精度上超越显式 CoT、在速度上对齐“仅答案”预测的潜空间 CoT 方案。 过去，VLA 和世界模型是自动驾驶领域两条相对独立的技术路线：VLA 专注于理解场景并输出驾驶动作，世界模型专注于预测未来场景的演变。 Xiaomi OneVL 通过潜空间推理，首次将两者统一到同一套框架中。 在涵盖感知、推理与规划的多个主流基准上，Xiaomi OneVL 全面刷新了潜在推理方法的性能上限。 ▲ 在 ROADWork、Impromptu、Alpamayo-R1 三项基准上均达到 SOTA，在 NAVSIM 上取得优越性能 同时，Xiaomi OneVL 能为模型决策提供语言和视觉双维度的可解释性 —— 既能用文字说明“为什么这样开”，也能用预测画面展示“接下来会发生什么”。 ▲ 为模型决策提供语言以及视觉的可解释性 小米已将 Xiaomi OneVL 的模型权重和训练、推理代码全面开源 ，IT之家汇总链接如下： 技术报告： https://arxiv.org/abs/2604.18486 项目主页： https://Xiaomi-Embodied-Intelligence.github.io/OneVL 开源代码： https://github.com/xiaomi-research/onevl
佬友们，有熟悉具身智能方向的吗？我准备就读研究生，“具身导航；语义占用预测；基于VLA的机械臂操作”这三个方向不知道选哪个？有好心人给点建议不？ 6 个帖子 - 5 位参与者 阅读完整话题
IT之家 4 月 27 日消息，在 2026 北京国际车展期间，小鹏集团董事长兼 CEO 何小鹏在媒体交流中重申，今年 8 月将在中国市场实现 VLA（视觉-语言-动作模型）智驾系统对特斯拉 FSD 的全面超越。 何小鹏昨日在北京车展上表示，小鹏 VLA 与特斯拉 FSD 各有所长，但在特定场景下 VLA 已展现出明显优势。 他指出，在城市支路、乡村道路及结构复杂的城市穿行路段中，VLA 在通行效率和决策稳定性上表现更优；在跟车、应对加塞、长距离巡航等纵向运动控制场景中，VLA 的响应精度与平顺性也体现出了领先性。不过在横向路径规划和极端掉头等少数工况下，该系统仍有优化空间。 何小鹏表示，无论是在美国的特斯拉 FSD，还是中国的小鹏、蔚来、华为的辅助驾驶都非常棒。因为 FSD 满血版还没有进入中国，实际上它很难跟小鹏的 VLA 来进行比较。 “我认为互有所长，比如说在小路、有挑战的道路上，VLA 今天的效果会明显好过 FSD。”何小鹏同时指出，在纵向即前进方向上 VLA 也表现明显更优，但在横向能力和极端掉头场景中，今天的 VLA 仍在努力中。 何小鹏同时强调，FSD 本身也在快速迭代，用小鹏的动态来比较 FSD 的静态是不公平的。因此，小鹏给自己设定了一个明确的目标 —— 到 8 月份，在中国市场实现 VLA 综合能力全面超越 FSD。 所以我们给自己定了一个小小的目标，8 月份在中国的 VLA 超过在美国的 FSD。因为中国的道路环境更复杂，如果能够超过，我自己比较相信，技术整体的能力会是相对来说权威性的超过。 何小鹏认为，中国多样且高密度的道路环境，包括高频加塞、无标线路口、非机动车穿行及临时占道等典型场景，构成了对智驾系统最严苛也最具代表性的验证场域。“如果能在中国的复杂路况下实现超越，那么技术的整体实力将是相对权威性的领先。”他对此表示。 我相信小鹏的智能辅助驾驶在欧洲，在东南亚，比如说印尼、泰国、马来西亚都会非常好，因为越是窄的道路，越是人车多的道路小鹏的 VLA 表现力一定会更好，这是目前我们测试非常明显的结果。 实际上，早在 2025 年 12 月，何小鹏就宣布与自动驾驶团队的“赌约”。他发文称，如果在 2026 年 8 月 30 日前，小鹏的第二代 VLA 系统能在国内道路环境中达到特斯拉 FSD V14.2 版本在硅谷地区的整体效果，他将在硅谷筹建一家中国风味食堂；反之，小鹏自动驾驶中心负责人刘先明则承诺在金门大桥完成裸跑挑战。 彼时他曾表示，在硅谷试驾特斯拉最新 FSD V14.2 版本后，感受到 FSD 已进入“准 L4”阶段，虽尚有瑕疵，但较上一年度已有大幅提升。何小鹏当时也坦言，鉴于时间问题，小鹏 VLA 的第一个版本还无法完全实现 FSD V14.2 的全部能力，但团队正在全力以赴推进迭代。 相关阅读： 《 何小鹏打赌：若明年小鹏 VLA 国内表现无法赶上特斯拉 FSD V14.2 在硅谷的水平，员工承诺在金门大桥裸跑 》 《 何小鹏欢迎特斯拉 FSD 入华，小鹏图灵 AI 智驾将开启全球测试 》 《 小鹏汽车自动驾驶负责人体验特斯拉 FSD：中美路况差异显著，小鹏更适合中国复杂路况 》 《 何小鹏亲赴美国体验特斯拉 FSD 智驾功能，马斯克回应：中国车企最具竞争力 》
IT之家 4 月 27 日消息，小米于今年 2 月对外 发布并开源 VLA 模型 Xiaomi-Robotics-0 ，模型发布首月在 HuggingFace 全球 VLA 模型下载榜获第六名。 小米今日宣布，为了让其真正成为“开箱即用”的生产力利器，带来新的能力演示并正式发布 Xiaomi-Robotics-0 真机后训练（Post-training）全流程 。 基于预训练基座，小米称仅利用 20 小时的任务数据进行真机后训练，便让 Xiaomi-Robotics-0 掌握了“将耳机收纳进耳机盒”这一高难度动作，并能够连续丝滑地完成多个耳机的收纳。 官方表示，该任务涉及两大核心挑战： 耳机与槽位间公差极小，模型必须达到亚毫米级的空间感知精度，才能完成精准对位。 耳机与盒体表面粗糙度最低至 Ra0.03μm，极易在触碰过程发生位移，模型必须能快速修正动作偏差，避免装配失败。 IT之家附相关链接如下： 技术官网 ： https://robotics.xiaomi.com 技术报告 ： https://arxiv.org/abs/2602.12684 项目网站 ： https://robotics.xiaomi.com/xiaomi-robotics-0.html 模型权重 ： https://huggingface.co/XiaomiRobotics 开源代码 ： https://github.com/XiaomiRobotics/Xiaomi-Robotics-0