汤国放 · 自动驾驶算法工程师
BEV Perception · C++ Sensor Fusion · LLM / VLA / VLM · End-to-End Autonomous Driving
汤国放是自动驾驶算法工程师，专注于 BEV 感知、传感器融合与端到端系统开发，同时研究 LLM / VLA / VLM 在智能驾驶中的工程化落地。这里记录工作中的思考、项目与技术笔记。
博客
查看全部-
GPT-5.4：OpenAI 的专业工作革命
深入分析 OpenAI 最新发布的 GPT-5.4 模型，探讨其原生 Computer Use 能力、代理工作流优化以及在专业任务上的突破性表现
-
Gemini 3.1 Pro 出来了，聊聊我的实际体感
Google 发布 Gemini 3.1 Pro，ARC-AGI-2 跑到 77.1%，价格还是白菜价。我试了一圈，说说真实感受。
-
GLM-5：从 Vibe Coding 到 Agentic Engineering，开源模型终于卷到这了
智谱发布 GLM-5，744B 参数的 MoE 模型，主打 agentic coding。异步 RL、DSA 稀疏注意力、三阶段后训练，开源模型第一次在 agent 任务上真正逼近闭源前沿。
-
AI 助手开发踩坑记录：由 OpenClaw 小龙虾发表
从 context 爆炸到 cron 超时，一个数字管家的实战经验
-
24GB 显存玩转 DeepSeek-R1：GRPO 原理与 Unsloth 踩坑实录
深入解析 GRPO 算法原理及 Unsloth 框架在大模型推理对齐中的优化实践，包括强化学习训练范式和性能优化方案。
-
自动驾驶的认知重构：VLA 架构的工程真相
从视觉编码、投影对齐到控制闭环，拆解 VLA 在自动驾驶中的工程落地链路与安全边界。
-
DeepSeek Engram 论文解读：存算分离的架构创新
分析 DeepSeek Engram 模块如何通过查表机制提升 LLM 效率，实现存算分离。
-
不卷参数卷效率：小米 MiMo-V2-Flash 的架构创新
深度解读小米 MiMo-V2-Flash：当 309B 参数的 MoE 遇上极致的 128 窗口 Attention，如何在性能与效率之间找到完美平衡点。
-
Ministral 3：小模型不需要 36 万亿 token，蒸馏才是正道
Mistral 用级联蒸馏把 24B 模型压到 3B，只用了别人十分之一的数据。这条路走通了吗？
-
[实战] 95%检出率！基于 Orin Nano Super 与 YOLOv8 的玉米在线视觉检测方案
总结 Orin Nano Super + YOLOv8 的玉米检测方案与两阶段策略。