博客 & 论文

让器械知道你正在练什么

实时动作理解

本文提出智能健身端侧实时动作理解框架：基于连续视频完成训练检测、粗到细两级动作识别，融合人体运动与画面线索，可支持在手机端实时运行，能为训练记录、反馈与教练 Agent 提供感知支撑。

AI 记住了你，为什么还是不够懂你？

长期记忆如何成为可更新的判断系统

Agent 长期记忆的核心并非检索聊天历史，而是构建动态的状态基础设施。本文提出分层记忆与上下文编译架构，将离散信号转化为可追溯、可修正的用户状态，并通过数据血缘与反馈闭环，实现随时间持续演进的精准决策。

长上下文开放式睡眠报告生成：难点与训练方案

如何让模型从数周或数月的睡眠记录中找准事实、解释可能原因，并给出安全且可执行的个性化建议。

从数周到数月的睡眠记录中找准事实、解释可能原因，并给出安全可执行的个性化建议：长上下文开放式睡眠报告生成的难点、推理图教师数据、weighted DPOP 与细粒度 GRPO 训练方案。

揭秘AI赋能训练 01

创建训练计划为什么比想象中难

AI 训练计划的核心难点不是 "聪明"，而是约束管理 —— 设备能力、训练目标、恢复需求、时间安排之间的复杂博弈。从 "有什么练什么" 到 "什么适合练什么"，AI 需在多方约束的交集中找到平衡点：同一目标因设备不同而剧本迥异，相邻训练日存在隐形恢复链，跨周负荷递增不能靠压缩休息。真正的挑战是把运动科学原则转化为约束求解。

SIL 2027 届校招启动

开放应用开发、模型研究、数据工程、可信AI 和 AI Infra 方向岗位。

健康数据爆炸式增长，为何我们并未更健康？

可穿戴设备激增但糖尿病患病率翻倍，数据爆炸未改善健康。健康本质是行为系统——缺 "做到" 而非 "知道"。CARE Loop 闭环（感知 - 分析 - 建议 - 执行）关键是降低行动门槛、推动行为自然发生。真正的 AI 健康智能应是持续运行的 "健康操作系统"，帮助用户长期做到那些知道却难坚持的事。未来属于能推动行为改变的系统。