成果展厅

把好奇心做成可验证作品¶

看证据 · 找问题 · 做作品

验证效果

追溯结果依据
分析失败

发现改进空间
形成问题

启动自己的 Capstone

选择你的下一次挑战¶

不必等到掌握全部知识才开始。先选一个足够小、能够验证的问题：

挑战	从哪里开始	试着回答	最小作品
文档侦探	选择 3 份公开文档	模型最容易在哪类版面或表格上失效？	失败案例地图
评测设计者	对照两个模型或两种提示词	单一分数遗漏了哪些重要差异？	指标选择与结论说明
模型改进者	只改变一个可控变量	改进来自模型、提示词、数据还是偶然波动？	可复现实验报告
视频探索者	选择一段可公开使用的短视频	文档中的证据定位如何扩展到时间、事件和连续画面？	视频理解任务草案

设计自己的 Capstone¶

Capstone 不是 Week 12 临时开始的新项目，而是从前 11 周已经跑通的 Pipeline、Benchmark、模型实验或论文问题中，选择一个最值得继续追问的方向，整理成完整作品。

先用一句话定义选题¶

对于 [目标场景]，在固定 [模型、数据与运行条件] 的前提下，只改变 [一个核心变量]，观察它如何影响 [目标结果]；我将用 [主指标] 和失败案例判断结果。

例如：

文档理解：固定模型与测试集，只改变 Prompt 的结构约束，观察表格结构完整度和无依据输出。
视频理解：固定模型与短视频样例，只改变采样间隔，观察事件识别与时间证据定位是否一致。

如果一句话里同时出现多个模型、多种数据和多个改进方法，先缩小范围。

完成一页 Capstone 设计卡¶

必须回答	需要写清楚	最小证据
为什么做？	真实问题、目标用户或研究价值	一句话问题与明确非目标
从哪里开始？	可运行 baseline 与已有工作	baseline 命令和原始结果
准备改变什么？	唯一核心变量与对照关系	实验表或配置 diff
怎样判断？	主指标、人工检查和失败类型	统一评测与代表性案例
做到哪里停止？	时间、算力、数据和成功标准	资源上限与停止条件
最后怎样表达？	结论、限制、复现入口与下一步	README、Project Card 和演示

推荐范围

优先选择一个模型、一组固定样例、一个核心变量和一个主指标。先让陌生同学复现一组结果，再考虑扩大模型、数据或任务范围。

从已有成果继续，而不是重新开始¶

把项目 01中的 Prompt 对照扩展成更可靠的文档评测；
把 Week 8–10 的训练 runs 整理成“方法—效果—成本—失败”决策报告；
把 Week 11 的最小论文复现转化为一个受控改进实验；
把文档中的空间证据问题迁移到短视频，先形成任务定义和最小 baseline。

完成设计后，对照Week 12整理作品，并按展厅发布清单准备展示。

精选项目¶

目前展示两个代表性项目：

📄 Multimodal Document AI
🧠 Brain-Inspired Adaptive Intelligence

更多项目将持续更新……

项目 1｜Multimodal Document AI¶

项目简介¶

本项目展示基于 Vision Language Models (VLMs) 的智能文档理解系统，可自动完成复杂文档的信息解析、理解与问答。

系统具备以下核心能力：

📑 OCR Text Recognition
📄 Document Parsing
📰 Layout Analysis
📊 Table Understanding
🧾 Structured Information Extraction
💬 Document Question Answering
🧠 Multimodal Reasoning

项目演示¶

核心技术¶

Technology	Description
📄 Document AI	智能文档理解
👁️ Vision Language Models	多模态视觉语言模型
🔍 OCR	光学字符识别
📑 Layout Analysis	文档版面分析
📊 Table Understanding	表格理解
💬 Document QA	文档智能问答

如果由你继续

同一系统面对手写、多语言或超长文档时，失败模式会怎样变化？
一次失败应该通过数据、提示词、模型还是产品交互来改进？
从文档页面走向视频帧序列后，怎样定位答案对应的时间证据？

项目 2｜Brain-Inspired Adaptive Intelligence¶

项目简介¶

本项目展示 Brain-Inspired Adaptive Intelligence 在自主智能控制与智能交通中的前沿研究，探索类脑神经网络如何赋予智能系统持续学习、自适应决策与复杂环境协同控制能力。

项目融合多种先进 AI 技术，面向机器人、自主系统及智能交通等典型场景，构建面向未来的持续智能决策框架。

典型应用包括：

🚁 Autonomous UAV Control
🤖 Intelligent Robotics
🚗 Autonomous Driving
🚦 Cooperative Vehicle-Infrastructure Systems
🚙 Highway Ramp Merging
⚠️ Collision Warning
🌍 Adaptive Intelligent Systems

项目演示¶

核心技术¶

Technology	Description
🧠 Liquid Neural Networks (LNN)	液态神经网络，实现动态环境下持续自适应控制
📡 Wireless Federated Learning	无线联邦学习，实现多智能体分布式协同学习
🎯 Deep Reinforcement Learning	深度强化学习，实现复杂环境下自主决策与控制

如果由你继续

“自适应”应当用平均性能、极端场景还是长期稳定性来衡量？
系统做出错误决策时，怎样让原因能够被人理解和复核？
视觉与视频理解能否为动态决策提供更可靠的环境证据？

后续研究方向¶

未来将持续发布更多科研项目，包括：

Direction	Description
👁️ Vision AI	图像理解、目标检测、多模态视觉推理
📄 Document AI	OCR、文档解析、知识抽取、文档智能
🎬 Video Understanding	时序理解、事件定位、视频问答与多模态推理
🧠 Brain-Inspired Intelligence	LNN、SNN、持续学习
⚖️ Legal AI	智慧司法、法律大模型
🏥 Medical AI	医学影像分析与智能诊断

把好奇心变成自己的作品¶

观察：从演示中找到一个意外结果或尚未覆盖的场景。
提问：把“它能不能做”改写为输入、输出和成功标准都明确的问题。
验证：先完成最小实验，诚实记录有效结果与失败案例。
表达：说明你做了什么、为什么这样做、证据是什么、下一步去哪里。

最好的参观结果

离开展厅时，不只是记住一个项目名称，而是带走一个自己愿意验证的问题。

让你的 Capstone 出现在本页¶

展示前自主检查¶

项目仓库提供唯一开始入口，陌生同学能够复现至少一组结果；
数据、模型、代码和媒体素材来源清楚，允许公开展示；
至少展示一项关键结果和一个代表性失败，而不是只放效果截图；
结论能够回到输入、配置、原始输出和评测；
已移除密钥、私人文档、绝对路径和不必要的大文件。

在本页增加项目卡¶

准备项目仓库、Project Card，以及一张封面图或一段简短演示；
将本地媒体放入 docs/assets/projects/<project-slug>/，或使用稳定、可公开访问的项目链接；
在下面“学生 Capstone”区域按模板增加项目卡；多个项目作为同一个 grid cards 区域中的独立列表项；
在 Windows 本地执行 mkdocs build --strict，再人工检查桌面端与窄屏显示；
发起以 dev 为目标分支的 PR，确认链接、素材授权与展示效果后再发布。

<div class="grid cards" markdown>

-   **项目名称｜一句话成果**

    用一句话说明研究问题，以及作品为什么值得继续了解。

    **研究问题**：……

    **方法与唯一改动**：……

    **关键证据**：……

    **代表性失败与限制**：……

    [项目仓库](REPOSITORY_URL) · [演示或报告](DEMO_OR_REPORT_URL)

</div>

学生 Capstone¶

这里等待第一批可复现作品

展厅不按模型大小或最高分选择项目。只要问题清楚、证据可信、限制诚实，并且能够帮助后来者提出更好的问题，就值得在这里展示。

下一件作品，可以从你今天带走的问题开始。

开始设计 Capstone →