yinglang19941010的专栏

原创 【VLM模型】(一) 轻量化模型

截至2025-12-19，MiniCPM-V系列（以3B级为主力，最新到4.5）在轻量级VLM（≤7B）中属于中文友好、OCR/文档强、推理效率高的第一梯队，综合性价比与落地友好度突出；与Qwen2.5-VL、SmolVLM等相比，各有侧重，适合不同场景。MiniCPM-V支持 int4, GGUF。

原创 【生成模型】【强化学习】（一）RLHF & DPO

大型语言模型（如 GPT 系列）在训练后，往往需要“对齐”（alignment），让它们生成更符合人类偏好的输出。比如，你问 AI 一个问题，它应该给出有帮助、礼貌的回答，而不是胡说八道或有害的内容。传统的对齐方法是 RLHF（Reinforcement Learning from Human Feedback，从人类反馈中强化学习）：Step1：收集人类反馈数据。通常是给模型一个提示（prompt，比如“解释量子力学”），模型生成多个回答，然后人类标注哪个更好或者给回答打分s。

原创 【生成模型】【模型介绍】（五）Qwen-Image-Edit：diffusers中LoRA加载与分析

peft中的LoRA层对象（BaseTunerLayer的子类，比如Linear替换成peft.tuners.lora.layer.Linear），并将原本的Linear对象放到新对象的base_layer这个成员变量下，而peft.tuners.lora.layer.Linear调用时会根据激活的adapter自动应用lora。），会发现代码中既没有创建LoRA层，也没有在推理的时候调用LoRA层，那到底是什么时候调用的LoRA参数的呢？在diffsuers阅读某个pipeline的代码（如。

原创 【开发】Git处理分支的指令

是 git fetch + git merge 的组合命令：先拉取远程分支的最新代码（fetch），再将其合并到当前本地分支（默认用 merge 方式）可以将 pull 的合并方式改为变基（即 git fetch + git rebase），既同步远程代码，又保持历史线性，适合个人分支使用。-i表示手动修改提交记录，例如对弹出来的内容进行如下修改：D2改为fixup。会在dev分支上创建一个新commit节点，master上无新节点。

原创 【生成模型】【模型介绍】（四）Qwen-Image-Edit

step蒸馏模型：https://www.modelscope.cn/models/DiffSynth-Studio/Qwen-Image-Distill-Full。

原创 【环境安装常见问题】

安装make（机器不能获取最新版的make）需要torch>=2.5。

原创 【生成模型】【模型介绍】（三）Qwen-Image

step蒸馏模型：https://www.modelscope.cn/models/DiffSynth-Studio/Qwen-Image-Distill-Full。Text encoder是QwenVL，理论上可以突破token长度的限制；如果没有DASHSCOPE_API_KEY的话，注释掉rewrite模块。VAE使用的是Wan VAE。可能使用即梦做了数据蒸馏。需要torch>=2.5。

原创 【生成模型】【模型介绍】（三）视频生成Wan2.2+lightx

Wan 2.2视频生成模型在ComfyUI中的实现

原创 【生成模型】Flux学习（一）推理代码

原创 【多模态模型】为什么推理的显存/速度高于训练

最近训练IntenVL多模态模型的时候发现，模型推理时候的显存/速度占用明显高于训练时。

原创 【生成模型】生成模型速度调研

Swin-Transformer是一种分窗处理策略，降低空间上attention的复杂度；后面没有被广泛应用，是因为Deformable DETR这种Attetnion降低了复杂度；

原创 【生成模型】【ComfyUI】一些重要的节点

comfyui中一些常用的重要节点

原创 【生成模型】【ComfyUI】一些环境问题

在使用comfyui-easy-use中的【Image Remove Bg】节点，报错如下。检查环境，一般是cupy的版本和自己的cuda（11.8）不匹配。

原创 【生成模型】【模型介绍】（一）视频生成Wan2.1速度质量简单评测

VACE模型除了支持基本的文本和图像作为控制条件输入，还支持将视频和视频mask作为输入控制。简单理解就是视频版本的ControlNet和Flux-Fill。与图片生成的结构很像，VAE encode->Diffusion->VAE decode的形式，只是多了一个时间维度(T+1, H, W, C)

原创 【生成模型】【模型介绍】（二）图像编辑 主体驱动 光照调整

难点：（GPT4的长处）

原创 【生成模型】视频生成论文调研

基础模型上层模型。

原创 【生成模型】AI生成API站点介绍

原创 【生成模型】【基础知识】CFG与CFG蒸馏

是生成模型推理时的一种操作，目的是使的生成图像与输入的text prompt更接近。

原创 【编译器开发】LLVM Clang的简单实用

【代码】【编译器开发】LLVM Clang的简单实用。

原创 VSCode python配置

输入 Python: Select Interpreter 并回车。按 Ctrl+Shift+P 打开命令面板。在launch.json中添加。

原创 【生成模型】【小实验】VAE的作用与Flux-Fill

或者参考官方代码：https://huggingface.co/black-forest-labs/FLUX.1-Fill-dev。可以看见其实diffusion输出的特征中视觉要素已经很明显了，VAE只是让它们看起更像是自然图像。

原创 【生成模型】【ComfyUI（三）】使用WebAPI批量调用ComfyUI

可以参考中Flux-Fill部分。

原创 【生成模型】【ComfyUI（二）】通过ComfyUI老版本（0.2.2）支持Flux-Fill了解ComfyUI的代码构成

ComfyUI代码了解

原创 【生成模型】【理论基础（一）】基础知识

基础知识

原创 【生成模型】【ComfyUI（一）】Flux与Flux-Fill部署与API调用

Flux与Flux-Fill在ComfyUI中的部署

原创 【生成模型】Flux-Fill代码精读

flux fill代码精读

原创 【大模型技术】accelerate和deepspeed

accelerate和deepspeed都是用于深度学习训练和推理加速的工具。

原创 【生成模型】Flux-Fill与量化

打印权重类型可以看到，只有transformer的weight是量化的uint8，因为不同类型的tensor是不能计算的，因此猜测应该是设置了GGUFQuantizationConfig(compute_dtype=torch.bfloat16),后，会在计算时候将uint8转为torch.bfloat16，然后计算，计算结果转回去或者保持torch.bfloat16，因此它的推理速度应该比原版还慢。BitsAndBytes慢的更多（不知道是不是和它是面向训练的有关）如果推理的图片是噪声，参考。

原创 【pytorch】DataLoader & Sampler的例子

【代码】【pytorch】DataLoader & Sampler的例子。

原创 【大模型与AIGC】VLM基础知识汇总

当前的LLM模型往往采用CausalModel，它的mask构建如下，即计算Y[i]时不会有Q[i+t]/K[i+t]/V[i+t] (t>0)引入attention，Q[i]不会与K[i+t]/V[i+t]计算。通过上面的分析，可以知道，对于CausalModel的LLM，第t个词的结果在整过过程是不变的，且不依赖于后面时刻的输入，所以可以使用KV cache，把之前的结果缓存下来，只预测新的token的结果。input length 以及超出长度后如何处理。因此，很多代码是自己实现这个mask，以。

原创 [技术小技巧] 可视化分析：在jupyter中使用d3可视化树形结构

基于d3.js在jupyter中可视化树形结构数据

原创 [目标检测] OCR: 文字检测、文字识别、text spotter

文字检测、识别、OCR数据集和方法调研

原创 【mmdetecion】DETR、DeformableDETR和DINO

fill:#333;color:#333;color:#333;fill:none;

原创 制作github个人主页

构建.github.io主页

原创 【mmdetection】ROIExtractor中的featmap_strides和finest_scale

也就是对于RCNN阶段，用来提取特征的特征层就是neck后给出的特征层的前len(self.featmap_strides)层x[:len(self.featmap_strides)]，而起始层不受self.featmap_strides的控制（也没有其它参数控制），但self.featmap_strides会影响ROIAlign时候rois和特征图的尺度映射，从这个角度上说。为什么这个变量影响这么大，下面查看代码进行分析。通过对下面代码的分析，可以知道，在RCNN阶段。

原创 [科研琐事] 安装服务器的二三事

宽度：一般机器都是符合的；深度：对应服务器最长的那个边；厚度（高度）：1/2/3/4U，就是机柜上写的刻度数字，1U=1.75英寸。我们的2080/3090/4090服务器都是4U的。

原创 【mmdetection】MaskRcnn中的mask是怎么输出的，是什么形式？

【代码】【mmdetection】MaskRcnn中的mask是怎么输出的，是什么形式？

原创 VSCode配置（三）设置字体

vs code中有三个部分的字体设置。

原创 VSCode配置（二）Python

一个IDE的功能要具备如下安装以下插件：（如果是远程调试，则要安装在远程服务器上）

原创 VSCode配置（一）Remote SSH

vscode 配置