AI 概念

Encoder（编码器）是一个功能性角色，负责将输入转换为适合模型后续处理的内部表示。它不是某一种特定算法，其具体结构取决于模型与任务。

• Encoder 的核心是 Representation Transformation（表示转换）：将输入 x 转换为内部表示 z；
• 在 AI 中，它可以是 Transformer、CNN、VAE Encoder 等不同实现，并广泛存在于文本、图像、音频和多模态模型中；

视频生成领域，Depth Map（深度图）是：把一帧二维画面转换成“每个像素距离摄像机有多远”的空间结构图。

• RGB 图像保存的是：(x,y)→(R,G,B)，Depth Map 保存的是：(x,y)→D，其中：D 表示这个像素对应物体的深度/距离信息；
• Depth Map 把大量“外观信息”扔掉，只留下：空间布局 + 物体轮廓 + 前后关系 + 运动 + Camera Motion；
• 价值：尽量把参考视频中的“结构和运动”保留下来，同时削弱不希望模型照搬的外观细节；

Super Resolution（超分辨率）是利用模型将低分辨率视觉内容重建为高分辨率视觉内容，并推断或生成缺失细节的 AI 任务。

• Super Resolution 不只是放大尺寸，而是尝试重建高分辨率细节。
• AI 超分通常是一次模型推理，可应用于图像和视频。
• Video Super Resolution 还需要关注连续帧之间的时间一致性。

了解 Clay Render 的概念和用途场景。

• Clay Render 直译为“黏土渲染”，指的是把模型渲染成统一的、没有材质/贴图的样子——通常是单色、哑光的表面(常见是灰色或白色),只保留形状、光影和体积感,像是用黏土捏出来的模型一样。

了解 GGUF 是 GGML 生态中常见的一个 LLM 模型文件格式，常用于本地推理、量化、uncensored 等场景。

• GGUF 是一种模型文件格式，主要由 llama.cpp / GGML 生态使用;
• 可以在一个文件体系中保存：模型 metadata、tensor 信息、模型权重、tensor 类型;

扩散 Transformer 是一种处理不同模态信息的网络架构设计，与双流 Dual-stream 对比的示例；

• 扩散 Transformer 是一种处理不同模态信息的网络架构设计；

单流是一种处理不同模态信息的网络架构设计，与双流 Dual-stream 对比的示例；

• 单流是一种处理不同模态信息的网络架构设计；

对于非研究人员、模型使用者、本地部署者和 AI 应用开发者，了解 MTP 是什么，以及为什么使用 MTP。

• MTP（Multi-Token Prediction，多 Token 预测）：一种语言模型训练机制；
• DeepSeek V3 的技术报告提到的较多；

理解 Transformer 是什么、为什么出现、解决什么问题，暂时不涉及数学公式、代码实现或复杂的网络结构设。

• Transformer 是一种神经网络架构，以注意力 Attention 为核心；