2 倍，不是 16 倍：BF16 混合精度的真实账本，和训练到车端那道断层
先拆掉一个流传很广的数字——BF16 在消费/工作站 Ada 卡上是 FP32 的 2 倍，不是 16 倍，16 倍只属于 A100/H100 那种数据中心 die；TF32 在 Ada 上更是完全没有加速。再从 roofline 讲清这 2 倍为什么反而更实，逐条拆五类坑，最后落到真正麻烦的地方：训练用 FP32 也躲不过的那道断层——它由部署端 FP16 只有 5 位指数决定，和训练精度无关。
📝 所有文章
自动驾驶算法、工程实践与经验思考
注意力就是软检索：从矩阵乘法到 Transformer 的关联记忆
softmax(QKᵀ)V 背下来容易，但它在物理上干的是一件很古老的事——内容寻址的软检索。本文从矩阵乘法的加权求和讲起，把 QKᵀ 看成相似度表、softmax 看成权重、A·V 看成动态加权求和，再从 query 和 value 两个视角把注意力还原成一把「关联记忆」的钥匙。
Attention Pooling：把 200 米的路线压成一个向量，max 丢了什么、attention 留什么
导航线按 1 米一个点取 200 个点，MLP 出来 (B,200,256)，在 200 维上做 max pooling——结构上跟 PointNet 压点云是一回事，顺序和「在哪」全丢了。本文用公式+代码+对比实验，说清楚 max 的问题在哪，attention pooling 怎么把顺序和距离感请回来。
PointNet 与 MLP：提取道路拓扑时，两者到底差在哪
同样是把元素喂给网络，逐元素 MLP 和 PointNet 的共享 MLP + 对称池化差在哪里？本文从直觉、公式、代码到车道图实战，说清两者的共性与分野，以及为什么补上“边”才是读懂拓扑的解药。
从 NAVSIM 到 Bench2Drive：2026 年端到端自动驾驶评测全景图
NAVSIM、nuPlan、Bench2Drive、Waymo E2E、CARLA Leaderboard——五条主流评测线分别测什么、各有什么坑、指标怎么读，附开闭环区别解析和读榜单数字的七个检查点。
从一千步到两步：DDIM 跳步与轻量 decoder 如何把扩散模型搬上车
DDPM 为什么慢、DDIM 怎么靠跳步把采样从一千步压到几十步，以及 DiffusionDrive 如何用「锚点截断 + 轻量 decoder」把扩散规划器搬上车、压进板端实时预算。附 DDPM/DDIM 最小公式对照，以及它和 Flow Matching、国产智驾芯片两条线的串联。
国产智驾芯片2026：六强图谱与量产格局
地平线、黑芝麻、华为昇腾、寒武纪、芯驰/爱芯元智、车企自研——六条路线的芯片规格、量产定点与2026格局变化。
Flow Matching 详解：为什么把生成路径拉直，就能一步出结果
从扩散的弯路讲到 Flow Matching 的直线：速度场、Conditional Flow Matching、Rectified Flow、reflow 去交叉，以及它和扩散模型到底什么关系。附从零实现的最小代码，以及它在图像、机器人、自动驾驶里的落地。
把弯曲的路拉直：GoalFlow、GuideFlow，与扩散解码器的约束之争
生成式规划器有两条省步路线——扩散靠锚点和截断，流匹配靠把噪声到轨迹的路径拉直。GoalFlow 用 goal point 一步出轨迹，GuideFlow 再把安全硬约束焊进生成过程本身。三篇论文放在一起，其实是在回答同一个问题：约束到底该在哪个环节进场。
轨迹当 query、场景当 KV：DINOv3 特征是怎么接进轨迹预测模型的
前几篇都在说 DINOv3 该不该冻、冻了多强，这篇回答一个更基础的问题：冻结完的特征，到底以什么形态喂给规划头？答案是 Transformer 解码器式的接口——轨迹当 query、场景特征当 KV。但「直接当 KV」和「随机加噪」两个直觉，跟论文里的真实机制都有出入。
DINOv3 的运动盲区：冻结编码器看得清世界，却看不懂「动起来」
The Constant Eye 证明了 DINOv3 冻结编码器能解决视觉域偏移，但这篇要补上反面：DINOv3 逐帧独立处理，没有时间建模。晴天雪天都稳，但前车急刹、行人横穿这类运动依赖任务会掉链子。冻结 backbone 之后，运动从哪来？
The Constant Eye：DINOv3 冻结编码器如何解决端到端规划的视觉域偏移
端到端自动驾驶在晴天训、大雪天废——这是视觉域偏移的经典难题。The Constant Eye（2026-02）提出一个反直觉的解法：把视觉编码器锁死，不让它参与下游规划的训练。冻结 backbone 如何变成 OOD 鲁棒性的来源？
DINOv3 上车指南：从感知编码器到仿真数据生成的完整图景
感知层用 DINOv3 冻结 backbone 接三种规划范式，数据层用 DINOv3 特征做 Sim-to-Real 桥接。两篇论文合在一起，就是 DINOv3 在一段式端到端自动驾驶里从感知到数据的完整应用图景。
自动驾驶一段式端到端：四个工程真问题与技术解法
从模块化流水线的结构性瓶颈出发，系统拆解端到端一段式自动驾驶落地的四个工程真问题：可解释性、长尾 OOD、奖励定义、训练稳定性，并以 SFT→RLHF→GRPO 训练范式作为解法主线，结合无保护左转场景做阶段对比。
Layer Normalization 与 Adaptive Layer Normalization：从 Stable Diffusion 到自动驾驶
从 Layer Norm 的基础原理，到 AdaLN 在扩散模型中的条件生成应用，再到自动驾驶里的潜力场景。本文用公式、代码和实战案例，帮你彻底理解这两种归一化技术。
读懂 Self-Attention 和 Cross-Attention：以自动驾驶导航选道为例
从脉冲星信号去噪到自动驾驶的导航选道，Self-Attention 和 Cross-Attention 无处不在。本文用直觉+公式+代码+实战案例，帮你彻底理解这两种注意力机制的本质区别。
腾讯 QClaw 上手指南：电脑上安装 + 微信小程序远程操控，一条视频都不用看
如果你想在手机和电脑上都用上 QClaw（腾讯版小龙虾 AI Agent），这篇图文指南 10 分钟带你从下载到发出第一条指令，无需任何技术背景。
网站上线：Pulsar Guide 的技术架构与愿景
从射电望远镜到自动驾驶，这个博客的诞生背景、技术选型与未来规划
【迁移】Ubuntu 16.10 配置 RTL8168 网卡驱动：从 r8169 切回 r8168
旧博客 myinxd.github.io 时代的最后一篇，记录了一次真实的 Linux 网卡驱动排错过程。Ubuntu 自带的 r8169 与 Realtek RTL8111/8168 不兼容，需要手动安装 r8168 才能恢复稳定联网。