<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Shion's bla bla blog]]></title><description><![CDATA[Somewhere over the rainbow...]]></description><link>https://blog.youkuaiyun.com/ddrfan</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ddrfan]]></copyright><item><title><![CDATA[Strata：让你的游戏电脑运行千亿参数大语言模型]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/167377312</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/167377312</guid><author>ddrfan</author><pubDate>Fri, 09 Oct 2026 13:35:20 +0800</pubDate><description><![CDATA[让普通游戏电脑运行Qwen3.8-Flash-Next成为可能，安装使用简便，速度可接受。提供WEBUI和API接入，让所有数据都留在本地。]]></description><category></category></item><item><title><![CDATA[ComfyUI Minimax H3 head swap workflow]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/166493885</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/166493885</guid><author>ddrfan</author><pubDate>Wed, 23 Sep 2026 22:54:14 +0800</pubDate><description><![CDATA[Cut the crap ……半年过去，现在有了基于 Minimax H3 的。超长是吧，后面的超分部分可以不启用的。Ladys and 乡亲们，还记得。或者图片，到B站观看视频。]]></description><category></category></item><item><title><![CDATA[ComfyUI + Qwen-Image-2.1 全流程实测]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/166143093</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/166143093</guid><author>ddrfan</author><pubDate>Mon, 21 Sep 2026 01:09:56 +0800</pubDate><description><![CDATA[你可以综合多张图片生成一张协调的新图（如多人合照、虚拟穿搭），也支持圈选、涂抹等局部编辑，并在修改时保持人物或商品的保真度。它的核心特点是“小模强效”，用一个轻量级模型统一了文生图和图像编辑两大功能。质感优化：官方强调提升了对文字排版、人物光影和细节的表现力，旨在生成更具美感的图像。Sorry，跑的时候没截图，然后又把input删了……哇，原生支持2048x2048，分辨率应该是够了。把分辨率拉满，大概220秒生成了角色的四视图。用了角色设定图，角色样子不会再漂移咯。，大概花了504秒生成了视频。]]></description><category></category></item><item><title><![CDATA[ComfyUI + DLSS 5：提升图像和视频]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/165245057</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/165245057</guid><author>ddrfan</author><pubDate>Mon, 14 Sep 2026 00:39:11 +0800</pubDate><description><![CDATA[NVIDIA DLSS 5于2026年发布，基于实时神经渲染，显著提升画面真实感。通过ComfyUI-DLSS5-NR节点，用户可在ComfyUI中为图像、视频添加DLSS 5后处理，实现逼真光照与材质增强。安装简单，支持非游戏内容处理，无需高端显卡。虽对真实素材提升有限，但对老旧动画等可“脑补”细节，带来惊艳视觉体验，展现其超越游戏的潜力。]]></description><category></category></item><item><title><![CDATA[ComfyUI + MiniMax-H3 + 加速LoRAs + SageAttention + 等等……]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/164317388</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/164317388</guid><author>ddrfan</author><pubDate>Thu, 03 Sep 2026 11:30:41 +0800</pubDate><description><![CDATA[本文主要讨论和记录了在ComfyUI下的MiniMax-H3参考生视频的各种加速LoRA，注意力后端，长视频工作流，等等。目前各种H3加速满天飞，出新品的速度超过我打字的速度……]]></description><category></category></item><item><title><![CDATA[盼望已久的Qwen3.8-27B]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/163818563</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/163818563</guid><author>ddrfan</author><pubDate>Mon, 17 Aug 2026 12:19:06 +0800</pubDate><description><![CDATA[终于等到27B发布的Qwen3.8更强了，但也秃了？蛤！！？]]></description><category></category></item><item><title><![CDATA[逆袭的DFlash：与MTP生成速度再次对比测试]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/162449944</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/162449944</guid><author>ddrfan</author><pubDate>Tue, 30 Jun 2026 15:20:31 +0800</pubDate><description><![CDATA[本文对比测试了原版llama.cpp支持下的Qwen3.6-35B和Gemma-4-26B两个MOE模型在使用原版、MTP和DFlash三种推理方式下的性能表现。结果显示，DFlash在生成速度上表现最优，和上个月的测试结果正好相反。]]></description><category></category></item><item><title><![CDATA[新模型家族 Ornith-1.0 闪亮登场]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/162348089</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/162348089</guid><author>ddrfan</author><pubDate>Fri, 26 Jun 2026 20:49:16 +0800</pubDate><description><![CDATA[DeepReinforce团队基于Qwen和Gemma开发的Ornith-1.0系列开源模型在编程基准测试中表现优异，支持工具调用和结构化推理输出。作者实测发现，其9B和35B版本在车次查询等工具调用场景中准确率显著优于原版Qwen/Gemma，未出现信息误读或幻觉问题。性能测试显示，35B-MOE模型在16GB显存下仍可流畅运行（IQ3xxs量化版13.8GiB）。]]></description><category></category></item><item><title><![CDATA[到底谁更快：MTP 对比 EAGLE-3]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/162081630</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/162081630</guid><author>ddrfan</author><pubDate>Thu, 18 Jun 2026 03:19:15 +0800</pubDate><description><![CDATA[本文对比测试了llama.cpp中MTP和EAGLE3两种加速技术在Gemma4-26B/31B模型上的表现。测试结果显示，在显存充足时MTP的生成速度是原版的1.8倍，而EAGLE3表现不佳。目前选择MTP方案更佳。]]></description><category></category></item><item><title><![CDATA[把谷歌的QAT模型用于生产系统了吗？赶快踩刹车！]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/161897350</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/161897350</guid><author>ddrfan</author><pubDate>Thu, 11 Jun 2026 16:48:13 +0800</pubDate><description><![CDATA[大家发现QAT模型可能有些问题，请慎重选择，建议先观望QAT的发展，暂时用普通的Gemma量化模型吧，或者继续用Qwen。]]></description><category></category></item><item><title><![CDATA[旧电脑能跑本地模型吗？6GB显存跑起来是啥样子？]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/161860507</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/161860507</guid><author>ddrfan</author><pubDate>Wed, 10 Jun 2026 15:01:48 +0800</pubDate><description><![CDATA[本文测试了在不同配置电脑上运行本地大语言模型（LLM）查询B站热门视频的表现。在旧笔记本上测试了Qwen3.5-9B和gemma-4-E4B两个模型，作为对比项，使用了配备4060Ti-16GB显卡的台式机。]]></description><category></category></item><item><title><![CDATA[本地模型都这么强了？16GB级别LLM工具能力不完全体验]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/161726715</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/161726715</guid><author>ddrfan</author><pubDate>Tue, 09 Jun 2026 15:03:51 +0800</pubDate><description><![CDATA[本文对比测试了本地部署的Qwen和Gemma以及众多语言模型在工具调用任务中的表现。通过理论评测和实际场景测试发现： 当前本地小模型已能较好地自主调用工具，展现了本地模型应用的可能性。]]></description><category></category></item><item><title><![CDATA[继续提速：Llama.cpp 已经正式支持 Gemma4 MTP]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/161778539</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/161778539</guid><author>ddrfan</author><pubDate>Sun, 07 Jun 2026 23:14:11 +0800</pubDate><description><![CDATA[摘要：本文测试了多个 Gemma4 模型在原版llama.cpp支持MTP（Multi-Token Prediction）后的性能表现。各个规模的模型均有提升，有些模型提升挺大的，值得使用。]]></description><category></category></item><item><title><![CDATA[谷歌发布了 Gemma 4 QAT (Quantization-Aware Training) 模型]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/161752253</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/161752253</guid><author>ddrfan</author><pubDate>Sat, 06 Jun 2026 21:55:16 +0800</pubDate><description><![CDATA[谷歌发布Gemma 4系列QAT（量化感知训练）模型，通过在训练阶段模拟量化过程，显著降低后续量化时的精度损失。]]></description><category></category></item><item><title><![CDATA[到底谁更快：MTP 对比 DFlash：英文居然最重要？]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/161536048</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/161536048</guid><author>ddrfan</author><pubDate>Sun, 31 May 2026 01:42:58 +0800</pubDate><description><![CDATA[实测MOE模型加MTP的速度比较可观。而 beellama 的 DFlash 存在重复字符循环问题，接受率和生成速度可能被异常放大，关于DFlash部分速度的结果，暂不具备参考价值。]]></description><category></category></item><item><title><![CDATA[记一次成功的本地部署 LLM MTP 模型的过程]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/161151688</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/161151688</guid><author>ddrfan</author><pubDate>Sun, 17 May 2026 03:20:05 +0800</pubDate><description><![CDATA[官方llama.cpp现已支持MTP模型，无需单独draft模型。使用最新二进制程序和Qwen3.6-35B-A3B-UD-IQ2_M.gguf模型，通过添加--spec-type draft-mtp和--spec-draft-n-max 2参数可显著提升推理速度。测试显示，关闭推理模式后，RAG性能接近在线LLM，生成速度大幅提升（draft接受率达88.6%）。建议显存充足的用户尝试MTP优化，尤其适合本地LLM的RAG应用。]]></description><category></category></item><item><title><![CDATA[记一次失败的本地部署 LLM MTP 模型的过程]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/161147799</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/161147799</guid><author>ddrfan</author><pubDate>Sat, 16 May 2026 23:23:27 +0800</pubDate><description><![CDATA[本文实测了Gemma-4-26B模型在多token预测(MTP)技术下的性能表现。通过ik_llama.cpp分支测试发现，当显存不足24GB时，MTP加速效果受限：在4060Ti显卡(16GB显存)上运行会触发共享显存机制，导致生成速度反而降至3分44秒，远慢于原版llama.cpp的1分34秒。测试数据显示，MTP技术虽在理想条件下可实现2倍加速（如作者测试的49t/s），但实际应用中显存容量成为关键瓶颈。]]></description><category></category></item><item><title><![CDATA[企业知识库RAG到底有多难：实战3：向量化与存储]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/160959372</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/160959372</guid><author>ddrfan</author><pubDate>Sun, 10 May 2026 19:35:23 +0800</pubDate><description><![CDATA[这篇文章重点讲解了如何通过LlamaIndex实现向量数据库的抽象统一和数据处理流程。作者强调了调试模式的重要性，建议在正式入库前先人工检查node质量，包括metadata完整性、文本长度合理性等。文章详细说明了初始化向量数据库、构建文档node、统计分析metadata以及观察最大最小node等关键步骤，并指出这些预处理工作能有效避免后续检索质量问题。整个工具设计注重灵活性和可维护性，支持多种向量数据库的无缝切换。]]></description><category></category></item><item><title><![CDATA[企业知识库RAG到底有多难：实战2：数据内容分块]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/160924851</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/160924851</guid><author>ddrfan</author><pubDate>Sat, 09 May 2026 22:30:31 +0800</pubDate><description><![CDATA[这篇文章详细介绍了企业知识库RAG系统中基于Markdown文档的智能分块处理流程。]]></description><category></category></item><item><title><![CDATA[企业知识库RAG到底有多难：实战1：原始文档处理]]></title><link>https://blog.youkuaiyun.com/ddrfan/article/details/160727314</link><guid>https://blog.youkuaiyun.com/ddrfan/article/details/160727314</guid><author>ddrfan</author><pubDate>Sun, 03 May 2026 12:04:01 +0800</pubDate><description><![CDATA[这篇文章主要讨论了文档处理过程中遇到的格式转换和质量问题，以及如何优化文档结构以便LLM更好地理解。作者分享了将PDF、Word、PPT等格式转换为Markdown的经验，指出企业内部文档常见的质量问题（如术语混乱、省略信息、错别字等）。文章还探讨了文档转换中的技术挑战，包括章节结构、标识转义、表格处理等细节问题。]]></description><category></category></item></channel></rss>