1. 背景与目标 1.1 背景 1.2 目标 1.3 非功能约束（硬指标） 2. 算力与资源预算 2.1 平台画像（高通 8397/8797） 2.2 平台选型：高通 8397/8797（主选）vs NVIDIA Orin（对照） 2.3 部署形态：舱驾一体融合（主推）或 AI Box（备选） 2.4 资源预算分配（按部署形态区分） 形态 A：舱驾一体融合（64GB 共享，主推） 形态 B：AI Box 独立形态（32GB 专属，备选） 3. 总体架构 3.1 架构分层 3.2 现代座舱 Agent 八大能力（NVIDIA 的定义） 3.3 核心数据流（一次完整交互） 4. 模型选型与专有化策略 4.1 2026 开源模型对比（区分端侧候选与云端对照） 4.2 专有模型路线（车载必须专有化） 4.3 模型规模选择矩阵 4.4 视觉感

- 阅读剩余部分 -

一、核心结论 二、详细 Benchmark 数据 Artifical Analysis Intelligence Index v4.1（2026 年 8 月 12 日） 🔥 Kimi K3 深度解析（2026.07.16 发布，07.27 已开源） 其他值得关注的国产模型（2026年7-8月新入榜/更新） 关键能力对比 三、定价详情 3.1 DeepSeek 3.2 Qwen（阿里百炼） 3.3 Kimi（月之暗面 / Moonshot AI） 🔥 Kimi K3（2026.07.16 发布，旗舰模型） 3.4 MiniMax 3.5 MiMo（小米） 3.6 GLM（智谱AI） 四、Benchmark 排名概况 (AA Intelligence Index v4.1) 五、综合推荐 六、来源 本文首发地址 https://h89.cn/arch

- 阅读剩余部分 -

你其实在重复教每个 AI 编程工具一遍 记忆引擎：不是"存下来"，是"沉淀出来" 检索：六路混合召回 + 三道质量闸门 真正难的工程：让六种 Agent 都接入 代价与取舍：为什么它还不能无脑用 同一天写这篇的时候，Keyv 的 npm 蠕虫正在被讨论：一个包被污染，所有装过它的项目全遭殃。Agent 生态也一样——你给 Claude Code、Codex、Cursor 各装一套配置，等于把同一个秘密讲给了三个互不认识的员工。他们各自记在小本本上，谁也不告诉谁。 本文首发地址 https://h89.cn/archives/687.html 你其实在重复教每个 AI 编程工具一遍 同时用 Claude Code 和 Codex 的人，大概率经历过这个循环： 在 Claude Code 里

- 阅读剩余部分 -

踩坑记录：脚本里藏了多少“想当然” 转换与量化结果 x86 上先跑个 smoke test 真机 CPU 推理：PC 和手机对上了 INT8 DSP 挂了，但 GPU 能兜底 实测结论 下一步计划 系列文章 这是 AI 实操第 9 天部署篇：把 day09 训练好的语音指令分类模型，通过 ONNX → SNPE DLC → INT8 量化，最终跑到真机上。记录环境、踩坑过程和实测结果。 本文首发地址 https://h89.cn/archives/676.html 项目地址 https://gitee.com/chenjim/cockpit-ai-from-zero 语音模型在车机芯片上跑，不能只停在训练准确率和 PC 延迟。必须实际走通转换、量化、adb 部署、真机推理，看看模型能不能在目标设备上正常出结果，以及 INT8 量化后精度损失多少。 本文环境：

- 阅读剩余部分 -

背景 项目全景 数据集探索：Speech Commands v2 标签列表 V1~V3：试错过程 V1：随手跑（CPU，MFCC + 简单 CNN） V2：换 GPU 加轮数 V3：SpecAugment + 残差网络（快速验证） V4：根因发现——MFCC 丢帧 V5（最终方案）：MelSpectrogram + 残差 CNN + Mixup 改进组合 训练曲线分析 代码架构拆解 为什么 Mel 比 MFCC 强？ 评测结果（真实数据） 总体指标 每类准确率 混淆矩阵 Top 15 分析 推理延迟（RTX 4060, Batch=1） 模型偏置分析 部署管道 1. ONNX 导出 2. ONNX → DLC（SNPE 专有格式） 3. INT8 量化 4. 真机推理（adb） 踩坑大全 1. MFCC hop_length 的隐藏

- 阅读剩余部分 -

为什么做这件事 先拆再补 类型标注：给自己和机器一个共同的契约 print 换 logging 写 pytest，不要靠人眼验证 pre-commit：提交前把门关上 pyproject.toml：别再弄五六个配置文件了 验证结果 和 Android 熟悉的那套对上 总结 系列文章 这是 AI 实操第 8 天。第 1 天的 MNIST 训练脚本，172 行塞一个文件里，print 满天飞，没有测试，没有类型标注。今天把它拆了重写：类型标注、logging、pytest、pre-commit 一条龙。 本文首发地址 https://h89.cn/archives/674.html 项目地址 https://gitee.com/chenjim/cockpit-ai-from-zero 为什么做这件事 第 1 天写了个能跑的 MNIST 识别——功

- 阅读剩余部分 -

引言：模型减肥 量化到底是什么 对称量化 为什么需要校准数据集 SNPE 量化工具和参数 核心参数 其他可选参数 校准数据集怎么准备 看看量化后的 DLC 长啥样 x86 CPU 上验证 INT8 推理 为什么 MNIST 没掉精度 骁龙真机实测 踩坑记录 坑一：校准数据格式不对，量化工具一声不吭 坑二：snpe-dlc-quantize 的 bash 包装脚本有个语法 bug 坑三：校准数据太少，准确率直接跪 量化对车机意味着什么 总结 系列文章 这是 AI 实操第 7 天。第 6 天把 MNIST 模型转成了 DLC，今天给 DLC 做 INT8 量化：压缩 3.46 倍、精度零损失，并在骁龙真机上实测四个后端。 本文首发地址 https://h89.cn/archives/673.html 项目地址 https://gi

- 阅读剩余部分 -

引言：为什么需要 SNPE？ SDK 怎么下载 关键工具有哪些 理解 DLC 格式 SNPE 运行时后端 实战：从 ONNX 到 DLC 环境搭建 执行转换 理解转换过程 查看 DLC 结构 x86 CPU 推理验证 踩坑记录 坑一：Python 版本不兼容（30 分钟） 坑二：onnx 版本限制（10 分钟） 坑三：系统库依赖缺失（30 分钟） 坑四：Padding 计算无符号整数溢出（2 小时） 验证结果汇总 总结 系列文章 这是 AI 实操第 6 天。前 5 天模型还只在通用引擎上跑，今天开始走上车路线：用高通 SNPE 把 ONNX 转成骁龙芯片专用的 DLC 格式，并在 x86 CPU 上验证推理结果一致。 本文首发地址 https://h89.cn/archives/672.html 项目地址 https://gitee

- 阅读剩余部分 -

  1. 1
  2. 2
  3. 3
  4. 4
  5. ...
  6. 19