独立作者 · NeurIPS 2026 Workshop(NeurReps),扩展摘要 · 海报
视觉语言模型中的选择性跨模态对齐:位置接地为何成功,物理推理为何失败
Qwen2.5-VL-3B,6,000 条可控物理视频。位置可线性解码(R² = 0.97),语言接地 100%;速度仅以纠缠流形隐式编码,默认推理不被使用。提示工程可将物理推理提升 62%。
阅读论文03 关于
南京 / 2026
我是穆再排尔·穆合塔尔,南京航空航天大学机械工程本科生。我做自主系统中的计算机视觉——模型、相机与物理机器必须达成一致的那层不起眼的中间层。
我的研究考察视觉语言模型中的选择性跨模态对齐。在 6,000 条可控物理视频上,我发现 Qwen2.5-VL 的表征可以线性解码空间位置,而速度则纠缠在一个模型不会主动使用的流形里。这个结论很窄,而这正是重点:知道一个结论在哪里停下,才更容易相信它。
我的工程实践发生在边缘端。我为无人机构建了一套三层降落的视觉管线,主导了标注审查,在 1,999 帧数据里找出 367 个标反的框,并把 TensorRT / OpenVINO 路径部署到 Jetson。我也做了 Nuclear Boy,一个带 Python 沙箱和二十多项硬件控制的 Android AI 编程智能体——因为我想知道,当一个智能体住在你住的地方,它会是什么感觉。
我写下这些笔记,是为了让指标与意义之间的缝隙保持可见。这个网站也是一次小型设计练习:一本目录、一个网格、几款字体,以及尽可能少的机器。
01 近况
02 实践
03 教育
2023.09 — 2028.06(预计)
机械工程 · 本科
主修自动控制原理、C++ 程序设计、机器人学、机器视觉。校级三等奖学金、优秀学生干部、班长。
04 研究
独立作者 · NeurIPS 2026 Workshop(NeurReps),扩展摘要 · 海报
Qwen2.5-VL-3B,6,000 条可控物理视频。位置可线性解码(R² = 0.97),语言接地 100%;速度仅以纠缠流形隐式编码,默认推理不被使用。提示工程可将物理推理提升 62%。
阅读论文05 时间线
扩展摘要被 NeurReps 录用;现场海报展示。
项目结题并获评优秀;检测器、标注审查与边缘部署开源。
时序图链接预测:0.9357 → 1.2443;发布 Val-Hot 基准。
Android AI 编程助手;首次公开发布。
视觉引导 AGV,越野项目第 11 名(共 23 队)。
开始机械工程本科学习。
06 工具
07 语言
08 荣誉