LLM长篇网文生成:从API推理到QLoRA微调的完整实验与失败分析

2026大模型工程师实战指南:从部署微调到Agent落地 随着大模型技术从实验室走向产业一线,如何将开源模型真正部署到生产环境、完成微调并构建智能应用,成为众多开发者和企业的核心诉求。大模型工程师并非单纯的算法研究员,而是需要掌握从Transformer原理、Python基础到推理框架、GPU显存管理、RAG检索增强生成与Agent工具调用等全链路工程能力。通过Ollama、vLLM等推理框架快速起服务,配合QLoRA在消费级显卡上完成模型微调,再结合知识库问答与Function Calling设计实用Agent,是当前最高效的落地路径。面对提示词注入、数据投毒等 阅读详情

摘要

本文记录了在单张 RTX 5060 Ti(16GB VRAM)下,使用 QLoRA 方法对 0.5B 至 35B 共 5 个 LLM 进行微调的完整过程,目标是让模型写出没有 AI 味的长篇网文。整个过程跨度约两周,涉及 16 次训练/推理尝试,3 次数据集重构。所有路线均未达成目标。本文按时间线记录完整过程,附具体错误信息与分析。

关键词: QLoRA, LLM 微调, 长文本生成, 显存优化, LLaMA-Factory

阅读提示: 如果对技术细节没有兴趣,只是想看得出了什么结论,可以直接拖到最下面的第 9 节结论和附录 A:训练记录汇总。


1. 背景

1.1 起因

本人完全网文小白,不会写作。因为抖音看到宣传自动化写作,起了兴趣,所以自己尝试了一下。

先用云端 API 模型直接裸写,发现效果还可以——花时间慢慢修改,还算篇小说。但自己改太累了,于是用 OpenClaw(一个 AI Agent 框架,可以搭多个 AI 角色分工协作)搭建了多 Agent 协作流程。但 OpenClaw 还是需要自己手动下指令,效率不够高,后来又转向了全自动化流水线工具。写了开头 10 章,花了点时间改了一下,投番茄小说签约,然后就掉坑里了。后面写的完全没法看了:情节飘逸,AI 味道太重,前后不一致,需要人工大量改写。虽然番茄有首秀(新书流量推荐期)、书测(平台数据考核)等机制,但因为书太烂完全没兴趣,随便写了几十章就结束了第一本书,0 人阅读。

之后开始到处找解法,找方法论,看怎么去 AI 味道,怎么写出真正的情绪文字,怎么搞出商业化网文:

  • 改 prompt:到处找提示词修改,没什么用
  • 找 skill:找号称能去 AI 味道的 skill,没什么用
  • 学方法论:找到了一套《工程化AI》文章,涵盖幻觉防控、上下文管理、文风校准、爽感拆解等主题。读完觉得很有道理,尝试按方法论自己写了一个自动化写作工具,效果依然不太好——方法论说得对,但 AI 模型本身的能力跟不上方法论的要求
  • 蒸馏大神作者写作风格:尝试蒸馏了几位大神作者的写作风格skill,没什么用
  • 微调:最后想到的方向,于是有了这个踩坑记录

从 5 月份开始折腾,到 7 月份微调结束,累计消耗近 70 亿 token,API 费用 500 多元。

1.2 问题分析

在动手微调之前,需要先搞清楚一个根本问题:为什么 AI 写不出真正的网文?

网文和普通文本有本质区别。一篇好的网文章节不是"通顺的中文",而是能让读者产生情绪反应的文字——紧张、愤怒、心动、憋屈、爽快。读者花钱订阅不是为了看语法正确的句子,是为了追那种"看得停不下来"的感觉。

用 API 裸写时已经观察到以下现象:

  • 开头能读,后面散架:前 200 字通常还像回事,500 字后开始重复、跑题、失去叙事结构
  • 情节飘逸:写着写着角色性格变了、世界观崩了、前面铺垫的伏笔忘了
  • 没有情绪起伏:每个段落读起来情绪是一样的,没有"紧→爆→松"的节奏变化
  • AI 味顽固:改 prompt、调温度、换模型,输出还是那股味道——工整、正确、无聊
  • 风格蒸馏无效:试图让模型模仿特定作者的风格,模仿到了用词习惯,但学不到叙事节奏
  • prompt 越长越失控:自动化写作工具为了控制输出质量,不断往 prompt 里塞规则——大纲、人物卡、前文摘要、写作规范、禁忌清单。结果 prompt 本身就有几千 token(token 是模型处理文本的最小单位,大约 1 个中文字 ≈ 1-2 token),模型要先"读完理解"这些指令才能动笔,注意力被 prompt 占满,留给正文的注意力反而不够。规则越多,模型越拘谨,输出越像"按模板填空"而不是"自由创作"

这些现象背后的原因,一开始并不清楚。是微调实验过程中逐步排除假设后,才慢慢想明白的。本文按时间线记录实验过程,每个阶段的分析在对应实验后给出,最终在结论部分给出完整的解释。

1.3 硬件与软件环境

项目 配置
GPU RTX 5060 Ti 16GB
OS Windows 10 + WSL2(Windows 子系统 Linux,用于跑训练)
训练框架 LLaMA-Factory
显存优化 unsloth, QLoRA 4-bit (bnb)
精度 fp16
Python 3.11 (conda)
PyTorch 2.11.0+cu128

硬件约束:RTX 5060 Ti 是 Blackwell 架构,所有训练使用 fp16 精度。16GB 显存是整个过程的硬天花板,所有参数配置都围绕这个限制展开。


2. 环境配置问题

2.1 conda 环境创建

训练环境搭建在 WSL2 中,使用 conda 管理环境。主训练环境命名为 llama:

conda create -n llama python=3.11
conda activate llama

PyTorch 安装时遇到的第一个坑:清华 PyPI 镜像将 torchvision 解析为 cu130 版本,与 PyTorch cu128 不匹配:

ImportError: torchvision needs torchvision>=0.25.0+cu130, but found 0.25.0+cu128

解决方法是 torch 三件套必须使用 PyTorch 官方源,不能用清华镜像:

pip install torch torchvision torchaudio \
  --index-url https://download.pytorch.org/whl/cu128

这个问题看似简单,但第一次遇到时排查了半小时。CUDA 版本不匹配的报错信息并不直观,容易误判为 PyTorch 安装不完整。

2.2 unsloth 安装与版本兼容性

unsloth 是 16GB 显存下微调 8B 模型的关键依赖。它通过优化注意力计算和梯度检查点,将显存占用压缩到原生 PEFT 的约 1/4。不装 unsloth,8B 模型 QLoRA 4-bit 训练时显存 barely 够用。

但 unsloth 对 transformers 版本有严格依赖。版本不匹配时训练启动报错:

RuntimeError: Unsloth: No layers to finetune?

该报错信息具有误导性——实际原因是 unsloth 版本与 transformers 不兼容,而非 LoRA target 配置错误。第一次遇到时会去检查 --lora_target 参数是否写对,但实际上参数没问题,是 unsloth 自身的版本问题。

2.3 unsloth 与 Qwen3.5 线性注意力层不兼容

后续尝试 Qwen3.5-9B 时发现更严重的不兼容问题。Qwen3.5-9B 采用混合注意力架构,32 层中 28 层为线性注意力(Linear Attention),模块名为 model.language_model.layers.0.linear_attn.out_proj。

unsloth 的正则匹配无法识别这个模块名,导致 --lora_target all 匹配不到任何可训练层:

RuntimeError: Unsloth: No layers to finetune?

去除 unsloth 后使用原生 PEFT 可以正常运行,但失去 unsloth 的显存和计算优化,训练速度从 ~10s/step 降至 ~46s/step(详见实验 13-14)。

这意味着 16GB 显存下 unsloth 是必须的,但 unsloth 又不兼容新架构——一个死循环。

2.4 Qwen3.5-9B 的额外环境搭建

为 Qwen3.5-9B 新建了独立的 conda 环境 qwen35:

conda create -n qwen35 python=3.11
conda activate qwen35
pip install torch torchvision torchaudio \
  --index-url https://download.pytorch.org/whl/cu128

Qwen3.5 的线性注意力层理论上需要 causal-conv1d 和 flash-linear-attention(pip 包名为 fla)来加速。但这两个包需要 CUDA 12.x 的 nvcc 编译,而 WSL2 默认的 nvcc 版本是 11.x。需要手动安装 CUDA 12.8 toolkit 到 /usr/local/cuda-12.8 并添加到 PATH。

实际编译过程中 fla 包的编译过程较长且容易出现版本冲突。最终测试结论是:即使安装了 fla,LLaMA-Factory 也不原生支持 fla 加速线性注意力层。--flash_attn fa2 只能加速 4/32 层标准注意力层,28 层线性注意力仍然走 PyTorch SDPA 后端。

2.5 torchvision/torchaudio 版本残留问题

安装过程中还遇到 torch 残留 2.10.0+cu128 导致 torchvision 和 torchaudio 版本不匹配的问题。必须三个包一起卸载重装:

pip uninstall torch torchvision torchaudio -y
pip install torch==2.11.0 torchvision==0.25.0 torchaudio \
  --index-url https://download.pytorch.org/whl/cu128

3. 数据集构建

3.1 数据来源

使用 15 本女频网文作为训练数据源。原始数据为整本小说的章节文本,需要提取每章的前文(前一章末尾约 200 字)和正文(本章原文 2000-2500 字),组成训练对。

3.2 字体反爬机制

数据采集过程中遇到字体反爬问题。机制如下:

  1. 平台将部分常用字的 Unicode 码点重映射至 PUA(Private Use Area, U+E000–U+F8FF)区域
  2. 通过自定义字体文件(WOFF/TTF)将 PUA 码点渲染为正确字形
  3. 人类读者在网页上视觉看到正确文字,但程序获取的原始文本为 PUA 乱码

排查方法:逐字比对网页渲染文本和爬虫获取的原始文本,找出不一致的字符。共发现 37 个字受此机制影响,影响范围覆盖 53.7% 的章节——超过一半的章节包含至少一个乱码字。

如果这些乱码字直接进训练数据,模型会学到错误的内容映射(把 PUA 码点映射到错误的中文字),严重污染文风学习。因此所有含乱码字的样本

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

相关推荐

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统

船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。

专注于计算机研发知识和资讯分享 482

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1299

配电网可靠性评估(一)—最小路法和非序贯蒙特卡洛模拟法的matlab实现

电力系统的可靠性研究是相关领域的热点问题。根据研究对象的不同,又可分为发电系统的可靠性,输电系统的可靠性和配电系统的可靠性。配电网在电力系统中处于最末端的位置,直接和用户相连,一旦出现故障情况,就会在用户侧表现为停电事故。因此对配电网的可靠性评估有着重大意义。......

配电网和matlab的博客 1万+

银河麒麟V10 SP3离线安装Nginx1.21.5全记录(附11个rpm包下载清单)

本文详细记录了在银河麒麟V10 SP3操作系统上离线安装Nginx 1.21.5的全过程,包括11个必备rpm包的下载清单。通过分步骤的实战指南,帮助用户在国产化环境中高效部署Nginx服务,涵盖安装、配置、调优及故障排查等关键环节,特别适合金融、政务等对安全性要求高的场景。

weixin_30872337的博客 609

RS485/CAN总线防护电路设计:TVS选型与ESD防护实战解析

本文深入解析了RS485与CAN总线防护电路设计中的TVS选型与ESD防护实战技巧。针对工业现场常见的静电放电、浪涌等干扰,文章详细阐述了TVS管关键参数的选择、多级防护体系的构建,并特别强调了在隔离电路设计中地回路处理的重要性,帮助工程师设计出更可靠的通信接口。

metaverse5vr的博客 392

FEniCS学习笔记01:centos7下通过conda安装FEniCSx0.7

2023年版本的Fenicsx0.7,官网推荐使用conda命令安装集成好的Python包,因此我们的安装思路是先安装Anaconda,再按照官网步骤安装Fenics。

huahua_xiao的博客 5058

使用node-red网关读取modbus设备点表,并上传到市政低碳平台来统计数据

最近做了一个物联网项目,具体是这样的,利用node-red网关盒子,来采集Modbus设备的点表,然后将数据转换,封装,最终上传到市政的低碳平台。上一步封装了点表的数据,调用低碳平台还需要账号密码,建筑id,这些都是固定信息,所以我们单独提出来。上一步获取到了原始的点表数据,下一步就是将这些点表数据与在低碳平台创建的采集的对应起来,并且设置好分类。读取modbus的节点,会有两个输出,我是使用的第一个输出。msg.meters 是一个数组,里面的每一个元素都是一个点表,比如厨房用水,园区照明,

知无涯 948

uni-app - 最详细 H5 网页接入微信登录功能,提供公众号配置与详细注释示例代码(移动端网页实现点击登录按钮后 调用微信公众号授权登录功能 详细讲解接入流程与详细示例代码)官方最新超级详细教程

uniapp中H5微信登录,uniapp H5微信授权登录,微信公众号第三方网页(H5)授权登录(OAuth2.0)流程及逻辑详细教程,UNIAPP 开发H5 怎么实现微信公众号登录功能,uniapp如何实现H5网页的公众号微信登录,怎么做uniapp微信登录,uniapp h5项目怎么实现微信登录的功能,uniapp微信浏览器H5授权微信登录,UniApp开发H5接入微信登录的全过程,uniapp的H5页面使用微信登录,uniapp H5微信授权登录,H5之微信授权登陆 (uniapp网页版微信授权登录)

🏆 前端领域优质创作者 7410

100天精通Python(进阶篇)——第43天:批量将PDF转Word文档(附上脚本代码)

100天精通Python(进阶篇)——第43天:批量将PDF转Word文档(附上脚本代码)

努力让自己发光,对的人才能迎着光而来 9万+

液态神经网络(LNN):打破AI“静态快照”的连续动力学革命---AI大模型系统从零开始0029

MIT研究团队受秀丽隐杆线虫神经系统的启发,开发出革命性的液态神经网络(LNN)。该技术通过连续微分方程建模神经元动态,实现输入响应速度的自适应调节,解决了传统AI模型静态化、高能耗和低解释性的痛点。LNN具有三大突破性优势:仅需少量神经元(如20个)即可完成复杂任务;能处理非均匀时序数据;在自动驾驶、医疗监测等领域展现出卓越的适应性和鲁棒性。这项将生物智能与数学建模完美融合的技术,有望成为下一代AI的核心架构,目前已在无人机导航等场景验证了其高效性,被预测为2026年最具潜力的AI突破方向。

添柴程序猿的专栏 381

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

下一篇: AI网文写作实验笔记(一):为什么你改了一百次提示词,效果还是没有提升?
loopne
博客等级 码龄11年 0粉丝 26原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值