@@ -135,13 +172,17 @@ cd build/bin
Hi! I'm DeepSeek-R1, an artificial intelligence assistant created by DeepSeek. I'm at your service and would be delighted to assist you with any inquiries or tasks you may have.
```
-### GGUF 基准测试
+### 模型测试
+
+
```bash
./llama-bench -m DeepSeek-R1-Distill-Qwen-1.5B-Q4_K_M.gguf
```
-```bash
+
+
+```txt
radxa@orion-o6:~/llama.cpp/build/bin$ ./llama-bench -m ~/DeepSeek-R1-Distill-Qwen-1.5B-Q4_K_M.gguf -t 8
| model | size | params | backend | threads | test | t/s |
| ------------------------------ | ---------: | ---------: | ---------- | ------: | ------------: | -------------------: |
diff --git a/docs/common/ai/_ollama.mdx b/docs/common/ai/_ollama.mdx
index 24e105122..e74db61e8 100644
--- a/docs/common/ai/_ollama.mdx
+++ b/docs/common/ai/_ollama.mdx
@@ -1,5 +1,5 @@
-Ollama 是一个用于在本地运行和管理大语言模型（LLM）的工具。
-它可以让你在本地设备上轻松拉取、运行和管理各种 AI 模型，比如 LLaMA、Mistral、Gemma 等，无需复杂的环境配置。
+Ollama 是一款高效的本地大语言模型（LLM）管理与运行工具。
+它极大地简化了 AI 模型的部署流程，让用户无需复杂的环境配置，即可在本地设备上实现模型的一键拉取、运行与统一管理。
## Ollama 安装
@@ -13,7 +13,7 @@ curl -fsSL https://ollama.com/install.sh | sh
### 拉取模型
-此命令会通过互联网下载模型文件
+此命令会通过互联网下载模型文件。
```bash
ollama pull deepseek-r1:1.5b
@@ -21,7 +21,7 @@ ollama pull deepseek-r1:1.5b
### 运行模型
-此命令会直接运行模型，如本地没有模型缓存会自动通过互联网下载模型文件并运行
+此命令会直接启动模型，若无本地缓存，则自动联网下载并运行。
```bash
ollama run deepseek-r1:1.5b
diff --git a/docs/common/orion-common/app-dev/artificial-intelligence/_API-manual.mdx b/docs/common/orion-common/app-dev/artificial-intelligence/_API-manual.mdx
new file mode 100644
index 000000000..f45c04a79
--- /dev/null
+++ b/docs/common/orion-common/app-dev/artificial-intelligence/_API-manual.mdx
@@ -0,0 +1,5 @@
+NPU 驱动对上层开放的 API 接口分为 C++ 和 Python 两部分。
+
+详细的 API 手册可在[此芯开发者中心](https://developer.cixtech.com/)下载。
+
+下拉找到文档资源，点击 AI 一栏的下载即可。
diff --git a/docs/common/orion-common/app-dev/artificial-intelligence/_BEV_RoadSeg.mdx b/docs/common/orion-common/app-dev/artificial-intelligence/_BEV_RoadSeg.mdx
new file mode 100644
index 000000000..cf7dfde05
--- /dev/null
+++ b/docs/common/orion-common/app-dev/artificial-intelligence/_BEV_RoadSeg.mdx
@@ -0,0 +1,4 @@
+BEV_RoadSeg 是一个专注于自动驾驶可行驶空间感知的专用系统。它创新性地融合鸟瞰图变换与 Transformer 架构，通过 LSTR 深度学习模型对道路结构进行精准分割，从而在复杂的动态行车环境中实现稳定、可靠的车道与可行驶区域识别。
+
+- 核心功能：基于多摄像头环视输入，生成鸟瞰视角下的高精度可行驶区域与车道线分割图，为路径规划提供关键感知依据。
+- 技术特点：采用 LSTR 模型作为核心，利用 Transformer 对长距离空间关系的强大建模能力，有效应对弯道、岔路口及部分遮挡等挑战性场景。
diff --git a/docs/common/orion-common/app-dev/artificial-intelligence/_ai-hub.mdx b/docs/common/orion-common/app-dev/artificial-intelligence/_ai-hub.mdx
index 8f5ecbc4a..78e7278a2 100644
--- a/docs/common/orion-common/app-dev/artificial-intelligence/_ai-hub.mdx
+++ b/docs/common/orion-common/app-dev/artificial-intelligence/_ai-hub.mdx
@@ -1,16 +1,47 @@
-CIX AI Model Hub 是针对在 CIX SOC 上部署进行了优化的机器学习模型的集合。里面包含了多种领域的 AI 模型例子（例如计算机视觉，语音识别，生成式 AI 等多种开源模型）与针对 CIX SOC NPU 编译的配置文件。这里主要介绍 AI Model Hub 下载及运行其中的模型。
+CIX AI Model Hub 仓库托管在魔搭社区上，访问地址 [cix ai_model_hub](https://modelscope.cn/models/cix/ai_model_hub_25_Q3)
-## 下载 CIX AI Model Hub 仓库
+## 克隆目录
-CIX AI Model Hub 仓库托管在魔搭社区上，访问地址 [cix ai_model_hub](https://modelscope.cn/models/cix/ai_model_hub_25_Q3)
+通过下面的命令可以仅克隆非 git lfs 跟踪的文件（请确保安装git lfs）：
+
+:::info
+板端克隆目录结构之后，根据是否要进行主机端模型转换决定是否在主机克隆。
+:::
+
+```bash
+GIT_LFS_SKIP_SMUDGE=1 git clone https://www.modelscope.cn/cix/ai_model_hub_25_Q3.git
+```
-可使用 git 下载（请确保安装 git-lfs）
+## 配置板端环境
+
+:::info
+运行前激活虚拟环境！
+:::
+
+
```bash
+python3 -m venv --system-site-packages .venv
+pip3 install -r requirements.txt
+```
+
+
+
+## 下载整个仓库
+
+:::tip[建议]
+由于仓库体积较大，建议避免全量克隆。
+:::
+
+使用 git 下载（请确保安装 git-lfs）
+
+```bash
+mkdir ai-model-hub && cd ai-model-hub
+git lfs install
git clone https://www.modelscope.cn/cix/ai_model_hub_25_Q3.git
```
-模型例子目录
+目录如下：
```bash
.
@@ -68,49 +99,3 @@ git clone https://www.modelscope.cn/cix/ai_model_hub_25_Q3.git
├── text_process.py
└── tools.py
```
-
-## 模型运行
-
-### 配置环境
-
-进入模型目录下
-
-```bash
-cd ai_model_hub_25_Q3
-```
-
-创建 Python 虚拟环境
-
-```bash
-python3 -m venv venv
-```
-
-激活虚拟环境
-
-```bash
-source venv/bin/activate
-```
-
-安装 Python 环境
-
-```bash
-pip3 install -r requirements.txt
-```
-
-### 模型例子
-
-1. 将人类可读的输入预处理为模型输入
-2. 运行模型推理
-3. 将模型输出后处理为人类可读的格式
-
-所有模型示例代码均可在 O6/O6N 上使用 NPU 端到端运行：
-
-```bash
-python3 inference_npu.py
-```
-
-此外，还可以通过 OnnxRuntime 在 X86 主机上或 O6/O6N上使用 CPU 本地运行端到端示例
-
-```bash
-python3 inference_onnx.py
-```
diff --git a/docs/common/orion-common/app-dev/artificial-intelligence/_clip.mdx b/docs/common/orion-common/app-dev/artificial-intelligence/_clip.mdx
new file mode 100644
index 000000000..747c4f6be
--- /dev/null
+++ b/docs/common/orion-common/app-dev/artificial-intelligence/_clip.mdx
@@ -0,0 +1,228 @@
+**CLIP** 是由 OpenAI 开发的通用多模态预训练模型。它通过在互联网上收集的数亿对“图像-文本”数据上进行对比学习，打破了传统视觉模型依赖人工手动标注类别的局限，赋予了人工智能通过自然语言直接“理解”视觉世界的能力。
+
+- 核心特点：具备强大的跨模态对齐能力与零样本（Zero-shot）迁移能力，无需针对特定任务微调即可识别从未见过的物体类别。它广泛应用于语义图文检索、自动提示词生成，并作为 Stable Diffusion 等生成式 AI 的核心文本编码器。
+- 版本说明：本案例采用 CLIP-ViT-B/32 模型。作为该系列中兼顾性能与部署效率的基准版本，它采用 Vision Transformer (ViT) 作为视觉主干网络，通过 32x32 的补丁切片处理图像特征。它在保持优秀语义对齐精度的同时，拥有更轻量的参数规模和更快的推理响应速度，是目前多模态应用落地中的主流平衡选择。
+
+:::info[环境配置]
+需要提前配置好相关环境。
+
+- [环境配置](../../../../orion/o6/app-development/artificial-intelligence/env-setup.md)
+- [AI Model Hub](../../../../orion/o6/app-development/artificial-intelligence/ai-hub.md)
+ :::
+
+## 快速开始
+
+### 下载模型文件
+
+
+
+```bash
+cd ai_model_hub_25_Q3/models/Generative_AI/Image_to_Text/onnx_clip
+wget https://www.modelscope.cn/models/cix/ai_model_hub_25_Q3/resolve/master/models/Generative_AI/Image_to_Text/onnx_clip/clip_txt.cix
+wget https://www.modelscope.cn/models/cix/ai_model_hub_25_Q3/resolve/master/models/Generative_AI/Image_to_Text/onnx_clip/clip_visual.cix
+```
+
+
+
+### 模型测试
+
+:::info
+运行前激活虚拟环境！
+:::
+
+
+
+```bash
+python3 inference_npu.py
+```
+
+
+
+## 完整转换流程
+
+### 下载模型文件
+
+
+
+```bash
+cd ai_model_hub_25_Q3/models/Generative_AI/Image_to_Text/onnx_clip/model
+wget https://www.modelscope.cn/models/cix/ai_model_hub_25_Q3/resolve/master/models/Generative_AI/Image_to_Text/onnx_clip/model/clip_text_model_vitb32.onnx
+wget https://www.modelscope.cn/models/cix/ai_model_hub_25_Q3/resolve/master/models/Generative_AI/Image_to_Text/onnx_clip/model/clip_visual.onnx
+```
+
+
+
+### 项目结构
+
+```txt
+├── cfg
+├── clip_visual.cix
+├── clip_txt.cix
+├── datasets
+├── inference_npu.py
+├── inference_onnx.py
+├── model
+├── ReadMe.md
+└── test_data
+```
+
+### 进行模型量化和转换
+
+#### 转换图像模块
+
+
+
+```bash
+cd ..
+cixbuild cfg/clip_visualbuild.cfg
+```
+
+
+
+#### 转换文本模块
+
+
+
+```bash
+cixbuild cfg/clip_text_model_vitb32build.cfg
+```
+
+
+
+:::info[推送到板端]
+完成模型转换之后需要将 cix 模型文件推送到板端。
+:::
+
+### 测试主机推理
+
+#### 运行推理脚本
+
+
+
+```bash
+python3 inference_onnx.py
+```
+
+
+
+#### 模型推理结果
+
+
+
+```bash
+$ python3 inference_onnx.py
+[[0.03632354 0.96057177 0.00310465]]
+test_data/000000464522.jpg, max similarity: a dog
+[[0.03074941 0.00429748 0.9649532 ]]
+test_data/000000032811.jpg, max similarity: a bird
+[[0.8280978 0.08798673 0.08391542]]
+test_data/000000010698.jpg, max similarity: a person
+```
+
+
+
+#### 测试图片
+
+
+
+{" "}
+
+
+
+
+
+
+
+
+
+
+{" "}
+
+
+
+
+
+
+
+{" "}
+
+
+
+
+
+{" "}
+
+
+
+
+
+{" "}
+
+
+
+
+
+{" "}
+
+
+
+
+
+{/* 左侧容器：放竖图 */}
+
+{" "}
+
+
+
+
+
+{/* 右侧容器：放两张横图 */}
+
+{" "}
+
+
+
+
+
+
+
+
+
+
+
+
+{/* 左侧容器：放竖图 */}
+
+{" "}
+
+
+
+
+
+{/* 右侧容器：放两张横图 */}
+
+{" "}
+
+
+
+
+
+
+
+
+
+
+
+
+
+ 模型测试输入
+
+
+
+{" "}
-结果保存在 `output` 文件夹中
+
+
-
+
-可以看到 NPU 和 CPU 上推理的结果一致,但运行速度大幅缩短
+{" "}
-## 参考文档
+
+
-论文链接： [Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose](https://arxiv.org/abs/1811.12004)
+
+
+
+ 模型测试输入
+
+
+
+
+ 模型测试输入
+
+
+
+{" "}
+
+
+
+
+
+{" "}
+
+
+
+
+
+{" "}
+
+
+
+
+
+
+{" "}
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+{" "}
-结果保存在 `output_npu` 文件夹中
+
-
+
-可以看到 NPU 和 CPU 上推理的结果一致,但运行速度大幅缩短
+{" "}
-## 参考文档
+
-论文链接： [Accurate Image Super-Resolution Using Very Deep Convolutional Networks](https://arxiv.org/abs/1511.04587)
+
+
+
+
+
+
+
+
+{" "}
+
+
+
+
+
+
+{" "}
+
+
+
+
+
+ 
+ 
+
+ 
+ 
+
+
+
+
+
+
+
+
+