<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[gitblog_02818的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/gitblog_02818</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; gitblog_02818]]></copyright><item><title><![CDATA[如何把 MinerU 接入 RAGFlow，让知识库启用高精度 PDF 解析（完整 Docker 版指南）]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/144662888</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/144662888</guid><author>gitblog_02818</author><pubDate>Mon, 02 Nov 2026 14:39:42 +0800</pubDate><description><![CDATA[RAGFlow 知识库回答扫描版 PDF、多栏论文效果差，问题往往出在解析环节。本文带你走通 Docker Compose 下在 RAGFlow 容器内安装 MinerU、并把知识库 PDF 解析器切换为 MinerU 的完整链路，命令可直接照抄。

[![RAGFlow 知识库首页，MinerU 集成的入口界面](https://raw.gitcode.com/GitHub_Trending/m]]></description><category></category></item><item><title><![CDATA[Loro 中 loro.js Checkout 历史重放事件的子容器复活（Child Revival）修复解析]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/149853060</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/149853060</guid><author>gitblog_02818</author><pubDate>Fri, 09 Oct 2026 12:00:12 +0800</pubDate><description><![CDATA[本文以 [.changeset/loro-js-revived-child-events.md](https://link.gitcode.com/i/603440b9f399557027ade475429acb40) 记录的 `loro.js` patch 为线索，深入剖析一个 checkout 事件缺陷：当 checkout 因 detached 期间导入更新而回退到历史重放（replayin]]></description><category></category></item><item><title><![CDATA[PaddleSpeech 在线 ASR ONNX 引擎深度解析：基于 onnxruntime 的流式语音识别服务端实现]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/149628387</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/149628387</guid><author>gitblog_02818</author><pubDate>Tue, 22 Sep 2026 23:25:58 +0800</pubDate><description><![CDATA[> 本文围绕 PaddleSpeech 服务端模块 `paddlespeech.server.engine.asr.online.onnx` 展开，系统讲解该引擎的类结构、流式解码流程、onnxruntime 推理配置以及 WebSocket 服务端对接方式。读完本文，你将掌握 PaddleSpeech 在线语音识别服务端 ONNX 引擎的完整调用链，能够读懂 [asr_engine.py](ht]]></description><category></category></item><item><title><![CDATA[Megatron-LM 拆解：2 卡跑通分布式训练，checkpoint 还能换配置加载]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/149629019</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/149629019</guid><author>gitblog_02818</author><pubDate>Tue, 08 Sep 2026 12:38:59 +0800</pubDate><description><![CDATA[显存装不下整个模型时，你其实只有三条路：把权重按列切到多卡（张量并行）、把层按深度切到多卡（流水线并行）、或者接受训不动。Megatron-LM 是 NVIDIA 维护的大规模 Transformer 训练框架，核心是 Megatron Core 这个可组合库——它把 TP、PP、分布式 checkpoint 这些系统级优化封装成现成 API，你不用自己手写 NCCL 通信组。仓库里还自带一个 2]]></description><category></category></item><item><title><![CDATA[终极指南：如何用smalidea插件高效调试Android应用字节码]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/144763415</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/144763415</guid><author>gitblog_02818</author><pubDate>Fri, 07 Aug 2026 18:07:15 +0800</pubDate><description><![CDATA[**smalidea插件**是专为IntelliJ IDEA和Android Studio设计的Smali语言支持工具，它为Android逆向工程和调试提供了强大的字节码级支持。无论你是安全研究员、应用开发者还是逆向工程爱好者，这款插件都能让你在熟悉的IDE环境中直接操作和分析Smali代码，实现真正的源码级调试体验。

## 🎯 smalidea插件的核心价值解析

### 为什么选择smal]]></description><category></category></item><item><title><![CDATA[Qwen3.6-27B-DFlash-GGUF部署教程：使用llama-server构建高效推理服务的终极指南]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/145257344</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/145257344</guid><author>gitblog_02818</author><pubDate>Mon, 25 May 2026 10:27:16 +0800</pubDate><description><![CDATA[Qwen3.6-27B-DFlash-GGUF是基于z-lab/Qwen3.6-27B-DFlash模型的GGUF量化版本，专为DFlash推测解码设计，配合Qwen3.6-27B目标模型可实现高效推理服务。本教程将详细介绍如何使用llama-server部署这一强大的AI模型，让你轻松构建属于自己的高性能推理服务。

## 准备工作：环境搭建与依赖安装 🛠️

### 1. 克隆项目仓库

首]]></description><category></category></item><item><title><![CDATA[Yacht故障排查与运维：常见问题解决方案与社区支持]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/144689818</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/144689818</guid><author>gitblog_02818</author><pubDate>Tue, 27 Jan 2026 01:21:25 +0800</pubDate><description><![CDATA[Yacht作为一款Docker容器管理的Web界面工具，以其模板化一键部署功能深受用户喜爱。然而在实际使用中，新手用户可能会遇到各种技术问题。本文将汇总Yacht的常见故障解决方案，并介绍如何获取官方支持，帮助你快速恢复服务运行。

[![Yacht容器管理工具标志](https://raw.gitcode.com/gh_mirrors/ya/Yacht/raw/7ea29dc97cf0dcc35]]></description><category></category></item><item><title><![CDATA[MoreLINQ窗口操作完全手册：Window、WindowLeft和WindowRight实战应用]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/145002941</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/145002941</guid><author>gitblog_02818</author><pubDate>Tue, 27 Jan 2026 01:07:52 +0800</pubDate><description><![CDATA[MoreLINQ是一个功能强大的LINQ扩展库，提供了丰富的操作符来简化集合处理。其中窗口操作（Window、WindowLeft和WindowRight）是处理序列数据的利器，能够帮助开发者轻松实现滑动窗口、滚动窗口等高级数据处理场景。本文将详细介绍这三个窗口操作的使用方法和实战技巧，让你快速掌握MoreLINQ窗口操作的核心功能。

## 什么是窗口操作？

窗口操作是一种将序列数据分割成多个]]></description><category></category></item><item><title><![CDATA[GraphEmbedding可视化完全指南：使用TSNE展示图嵌入结果]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/144284260</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/144284260</guid><author>gitblog_02818</author><pubDate>Tue, 27 Jan 2026 00:54:54 +0800</pubDate><description><![CDATA[图嵌入（Graph Embedding）是将图结构数据转换为低维向量表示的关键技术，广泛应用于节点分类、链路预测和社区发现等任务。然而，高维嵌入向量难以直观理解，通过TSNE（t-分布随机邻域嵌入）进行降维和可视化，能帮助开发者直观观察节点间的关系和聚类效果。本文将以**GraphEmbedding**项目为例，详细介绍如何使用TSNE实现图嵌入结果的可视化。


## 为什么需要TSNE可视化图]]></description><category></category></item><item><title><![CDATA[10秒生成高精度3D模型：Hunyuan3D-1全链路技术拆解与落地实践]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/149627568</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/149627568</guid><author>gitblog_02818</author><pubDate>Fri, 25 Jul 2025 09:04:50 +0800</pubDate><description><![CDATA[你是否还在为传统3D建模流程的繁琐而苦恼？从概念设计到最终渲染，动辄数小时甚至数天的建模周期，让创意灵感在等待中消磨殆尽。现在，Tencent Hunyuan3D-1.0（混元3D-1.0）带来了颠覆性的解决方案——仅需10-25秒，即可从文本或图像生成高质量3D模型。本文将深入剖析这一开源框架的技术架构、实现细节与工程实践，帮助开发者快速掌握下一代3D内容创作工具。

读完本文，你将获得：
- ...]]></description><category></category></item><item><title><![CDATA[【限时免费】 trocr-base-printed：不止是OCR这么简单]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/149627378</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/149627378</guid><author>gitblog_02818</author><pubDate>Fri, 25 Jul 2025 09:04:28 +0800</pubDate><description><![CDATA[trocr-base-printed：不止是OCR这么简单

    
        
            【免费下载链接】trocr-base-printed
            
            
                
                项目地址: https://gitcode.com/mirrors/Microsoft/trocr-base-pr...]]></description><category></category></item><item><title><![CDATA[【限时免费】 杀鸡焉用牛刀？模型家族系列模型（大、中、小版本）选型终极指南...]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/149627117</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/149627117</guid><author>gitblog_02818</author><pubDate>Fri, 25 Jul 2025 09:03:49 +0800</pubDate><description><![CDATA[杀鸡焉用牛刀？模型家族系列模型（大、中、小版本）选型终极指南

    
        
            【免费下载链接】bart-large-mnli
            
            
                
                项目地址: https://gitcode.com/mirrors/facebook/bart-large-mnli
...]]></description><category></category></item><item><title><![CDATA[【实测提速300%】Qwen2.5-32B-Instruct-GPTQ-Int4全攻略：从本地部署到长文本处理的革命]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/149593369</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/149593369</guid><author>gitblog_02818</author><pubDate>Thu, 24 Jul 2025 09:00:41 +0800</pubDate><description><![CDATA[你是否还在为部署320亿参数的大模型而苦恼GPU内存不足？是否经历过因模型响应速度过慢而影响开发效率？Qwen2.5-32B-Instruct-GPTQ-Int4的出现，彻底改变了这一局面。作为Qwen系列的最新力作，这款模型在保持高性能的同时，通过GPTQ-Int4量化技术将显存需求降低75%，让普通开发者也能在消费级GPU上体验企业级大模型的强大能力。

读完本文，你将获得：
- 掌握Qwen...]]></description><category></category></item><item><title><![CDATA[突破线条艺术创作瓶颈：MistoLine模型让AI绘图效率提升300%的实战指南]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/145257034</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/145257034</guid><author>gitblog_02818</author><pubDate>Mon, 20 Jan 2025 10:32:38 +0800</pubDate><description><![CDATA[设计师、插画师和AI艺术爱好者常面临三大挑战：不同风格线条需要切换多个ControlNet模型、手绘草图转精细图像质量损失严重、复杂场景下线条与提示词对齐困难。MistoLine作为新一代SDXL-ControlNet模型，通过创新的Anyline预处理算法和优化训练，实现单一模型适配所有线条类型，细节还原度提升40%，创作流程缩短60%。

读完本文你将获得：
- 从零开始的MistoLine部...]]></description><category></category></item><item><title><![CDATA[深度学习者的必备资源：MiniCPM-V 2.0 学习资源指南]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/145154888</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/145154888</guid><author>gitblog_02818</author><pubDate>Wed, 15 Jan 2025 10:20:58 +0800</pubDate><description><![CDATA[深度学习者的必备资源：MiniCPM-V 2.0 学习资源指南
在深度学习领域，选择合适的学习资源至关重要。MiniCPM-V 2.0 是一款强大的多模态大型语言模型，适用于端侧高效部署。为了让您能够充分利用这款模型，以下是一些精选的学习资源推荐。
官方文档和教程
官方文档是了解 MiniCPM-V 2.0 的最佳起点。您可以通过以下方式获取：

访问 MiniCPM-V 2.0 的官方文档 页面...]]></description><category></category></item><item><title><![CDATA[从新手到专家：2025最强Text2Image提示词生成器实战指南]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/145053332</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/145053332</guid><author>gitblog_02818</author><pubDate>Fri, 10 Jan 2025 11:13:06 +0800</pubDate><description><![CDATA[你是否还在为AI绘画提示词抓耳挠腮？输入简单词汇却得到差强人意的结果？作为每天处理200+AI图像生成需求的开发者，我深知优质提示词(Prompt)对最终效果的决定性影响。本文将系统拆解GitHub星标10k+的Succinctly Text2Image-Prompt-Generator工具，通过15个实战案例+7组对比实验，帮你掌握从基础调用到高级定制的全流程技能。

读完本文你将获得：
- 3...]]></description><category></category></item><item><title><![CDATA[《Stable Diffusion v1.4：探索优势与局限性》]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/144689918</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/144689918</guid><author>gitblog_02818</author><pubDate>Tue, 24 Dec 2024 11:40:33 +0800</pubDate><description><![CDATA[《Stable Diffusion v1.4：探索优势与局限性》
在人工智能领域，图像生成模型因其强大的创造力和实用性而备受瞩目。Stable Diffusion v1.4 是一款基于文本的图像生成模型，由 CompVis 团队开发，它以其独特的生成能力和广泛的应用前景引起了广泛关注。本文将深入探讨 Stable Diffusion v1.4 的优势与局限性，以帮助用户更全面地了解和合理使用该模型...]]></description><category></category></item><item><title><![CDATA[【亲测免费】 深入了解 parahrase-multilingual-MiniLM-L12-v2 的工作原理]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/144610628</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/144610628</guid><author>gitblog_02818</author><pubDate>Fri, 20 Dec 2024 14:32:33 +0800</pubDate><description><![CDATA[在当今的自然语言处理领域，Sentence Transformer 模型因其高效性而被广泛应用。其中，parahrase-multilingual-MiniLM-L12-v2 模型以其多语言支持和卓越的性能脱颖而出。为了更好地利用这个模型，理解其工作原理至关重要。这不仅可以帮助开发者更有效地调优模型，还可以为未来的研究提供方向。

## 提出文章目标

本文将深入探讨 parahrase-mult...]]></description><category></category></item><item><title><![CDATA[《LCM-LoRA: SDXL模型的应用案例分享》]]></title><link>https://blog.youkuaiyun.com/gitblog_02818/article/details/144398803</link><guid>https://blog.youkuaiyun.com/gitblog_02818/article/details/144398803</guid><author>gitblog_02818</author><pubDate>Wed, 11 Dec 2024 13:46:51 +0800</pubDate><description><![CDATA[《LCM-LoRA: SDXL模型的应用案例分享》
引言
在人工智能的快速发展中，图像生成模型受到广泛关注。Latent Consistency Model (LCM) LoRA for SDXL（以下简称为LCM-LoRA）作为一款创新的图像生成加速模块，其在减少推断步骤、提高生成效率方面的表现引人注目。本文将分享LCM-LoRA在实际应用中的几个案例，旨在帮助读者更深入地理解该模型的实用价值和...]]></description><category></category></item></channel></rss>