<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[yumuing‘s blog]]></title><description><![CDATA[ 探索技术的每一个角落，解码世界的每一种可能！]]></description><link>https://blog.youkuaiyun.com/yumuing</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; yumuing]]></copyright><item><title><![CDATA[实战指南：部署MinerU多模态文档解析API与Dify深度集成（实现解析PDF/JPG/PNG）]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/148670256</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/148670256</guid><author>yumuing</author><pubDate>Sun, 15 Jun 2025 15:02:02 +0800</pubDate><description><![CDATA[攻克多模态文档解析瓶颈！ 本文手把手教你部署支持图片/公式/表格的MinerU解析服务，突破科学上网限制完成ModelScope模型下载，详解NVIDIA容器运行时配置。更实现与Dify平台的深度集成，通过插件授权+端口映射实战，构建从PDF下载→智能解析→Markdown转换的自动化工作流。]]></description><category></category></item><item><title><![CDATA[最新2025：解决java.lang.IllegalArgumentException: this and base files have different roots]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/148101725</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/148101725</guid><author>yumuing</author><pubDate>Wed, 21 May 2025 09:00:00 +0800</pubDate><description><![CDATA[背景：解决Android studio kotlin项目bug。原因：Android gradle包缓存和项目不在同一个盘中。]]></description><category></category></item><item><title><![CDATA[Anki 学习法]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/147953206</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/147953206</guid><author>yumuing</author><pubDate>Wed, 14 May 2025 14:09:54 +0800</pubDate><description><![CDATA[在学习新卡，或重学你已忘记的卡片时，Anki 会一遍或多遍地展示这些卡片以帮助你记忆。默认情况下，一旦卡片达到初学阶段的结束，卡片将在第二天再次展示，然后在越 来越长的间隔后再次展示（见下一节）。情况下，卡片将 在 4 天后再次展示，然后在越来越长的间隔后再次展示。在 v1 调度器中，如果在重学模式下，则不会显示 「简单」按钮，因为它会给出和「良好」一样的间隔。如果没有其他卡片可以展示，Anki 会再次展示学习卡片，即便它们的间隔还没完全到达。中，当卡片处于重学时，「简单」 按钮会使间隔增加 1 天。]]></description><category></category></item><item><title><![CDATA[♨️【Git 黑科技！】历史记录凭空消失？教你彻底“抹除”早期提交，连 GitHub 都查不到！]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/147644742</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/147644742</guid><author>yumuing</author><pubDate>Thu, 01 May 2025 10:39:41 +0800</pubDate><description><![CDATA[“断子绝孙”式清理：用 git replace --graft 一刀切断历史血脉，让目标提交成孤儿！
核弹级命令：git filter-branch 重写时空，旧提交从所有分支蒸发（附替代神器 filter-repo 绝招）
程序员后悔药：敏感信息泄露？早期黑历史？用这招连 GitHub 的缓存都能炸穿！]]></description><category></category></item><item><title><![CDATA[AI 用电脑比你还溜？Agent S2 让复杂任务一键搞定]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/147234849</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/147234849</guid><author>yumuing</author><pubDate>Tue, 15 Apr 2025 09:00:00 +0800</pubDate><description><![CDATA[还在手动处理繁琐的电脑任务？Agent S2 带来突破！通过 “专家分工” 精准定位界面元素，“动态规划” 灵活应对长任务，在 Windows、安卓等系统上表现优异，成功率提升 30%+，让 AI 成为你的高效办公助手，点击了解技术细节！（98 字，突出痛点、创新和价值）]]></description><category></category></item><item><title><![CDATA[告别 “生成废图”！UNO 让你一键掌控多物体图像生成： Less-to-More Generalization]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/147235223</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/147235223</guid><author>yumuing</author><pubDate>Tue, 15 Apr 2025 08:30:00 +0800</pubDate><description><![CDATA[还在为 “生成多物体图像时细节跑崩” 烦恼？字节跳动团队研发的 UNO 模型，就像一个 “智能图像导演”，通过 “数据 - 模型共进化” 机制，先让模型学会 “单物体精准生成”，再进阶 “多物体协同控制”。无论是虚拟试穿、产品设计还是故事漫画，它都能让生成图既保留物体细节，又严格遵循文本描述，真正实现 “所想即所得”，快来看看这场图像生成的 “可控革命”！]]></description><category></category></item><item><title><![CDATA[融合动态权重与抗刷机制的网文评分系统——基于优书网、IMDB与Reddit的混合算法实践]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/147170481</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/147170481</guid><author>yumuing</author><pubDate>Sat, 12 Apr 2025 20:22:51 +0800</pubDate><description><![CDATA[以权威用户为核心，时间衰减为尺度，社区互动为杠杆」的评分体系，实现：

📌 动态防刷：实时监控异常点赞，自动降权可疑评价

📌 智能冷启动：新书享3个月权重保护期，新用户默认60%权威值

📌 时空平衡：3年半衰期机制+Reddit热榜公式，兼顾经典与时效性]]></description><category></category></item><item><title><![CDATA[Visual-RFT视觉强化微调：用「试错学习」教会AI看图说话]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/146124456</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/146124456</guid><author>yumuing</author><pubDate>Sat, 08 Mar 2025 22:52:30 +0800</pubDate><description><![CDATA[上海AI实验室最新突破！Visual-RFT技术让视觉模型像人类一样通过"尝试-反馈-改进"的强化学习机制，仅用几十张图片就能精通目标检测、细粒度分类等高难度任务，多项指标刷新纪录！
]]></description><category></category></item><item><title><![CDATA[AI Scientist：不到15，自动写完毕业论文，强大的论文写作工具]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/141502355</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/141502355</guid><author>yumuing</author><pubDate>Sat, 24 Aug 2024 17:39:38 +0800</pubDate><description><![CDATA[几十年来，每次AI取得重大进展后，研究人员经常开玩笑说：“是时候研究让AI帮我们写论文了”。

现在，这个想法终于从玩笑变成现实。不到 15 美元，你就可以拥有一篇高质量的毕业论文。这不再是遥不可及的梦想，而是切实可行的现实。这是最近开源的“AI Scientist”系统所能带来的独特魅力，称得上AI论文工厂。而且，这公司搞的事情不只是做出了一位AI科学家，还额外搞出了个AI审稿人。]]></description><category></category></item><item><title><![CDATA[解码 WayveScenes101 数据集：自动驾驶独角兽Wayve背后的超级引擎]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/140389478</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/140389478</guid><author>yumuing</author><pubDate>Fri, 12 Jul 2024 22:23:57 +0800</pubDate><description><![CDATA[自动驾驶独角兽Wayve 开源 WayveScenes101 数据集啦！101 个高度多样化的真实动态驾驶场景，包含丰富路况与细粒度模型评估的场景级属性，它会成为自动驾驶的神奇魔法棒，加速自动驾驶的普及，准备好和它一起出发了吗？最近，武汉的萝卜快跑可成了热门话题！你知道吗，萝卜快跑是一款自动驾驶出行服务平台，它在武汉的道路上穿梭，为人们提供着便捷的出行体验。但是，自动驾驶可没那么简单，其中一个关键技术就是新颖视角合成。WayveScenes101数据集助推了该领域的快速发展。]]></description><category></category></item><item><title><![CDATA[【论文解读】AGENTLESS：揭开LLM软件工程助手的神秘面纱，重塑软件工程自动化新基线]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/140236590</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/140236590</guid><author>yumuing</author><pubDate>Sat, 06 Jul 2024 22:06:13 +0800</pubDate><description><![CDATA[大型语言模型（LLM）的最新进展显著推进了软件开发任务的自动化，包括代码合成、程序修复和测试生成。据此提出一种自动解决软件开发问题的无代理方法：更简化且无需复杂工具设计或自主决策规划的高性能方案，将有助于重置自治软件代理的基线、起点和视野，并激发未来朝着这一关键方向开展工作。]]></description><category></category></item><item><title><![CDATA[LivePortrait：让人脸动起来的魔法秀｜可灵(快手)]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/140236042</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/140236042</guid><author>yumuing</author><pubDate>Sat, 06 Jul 2024 21:32:20 +0800</pubDate><description><![CDATA[想让人脸动起来吗？LivePortrait来啦！它能把静态肖像变成生动动画，速度超快，质量超高！还有特别模块，让你轻松控制效果。快来体验，让你的个人照焕发神奇魅力！]]></description><category></category></item><item><title><![CDATA[TextGrad：即插即用 LLM 自动优化框架，提高各专业文本领域零样本准确率]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/140070271</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/140070271</guid><author>yumuing</author><pubDate>Sat, 29 Jun 2024 20:58:38 +0800</pubDate><description><![CDATA[TEXTGRAD成功地展示了通过文本反馈进行复合AI系统优化的能力，不仅提升了模型性能，还降低了运行成本。它为复杂AI系统的自动化优化提供了一种新的、有效的途径，证明了自然语言作为优化媒介的有效性和潜力。 ]]></description><category></category></item><item><title><![CDATA[LangGPT：高质量提示词框架]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/140053105</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/140053105</guid><author>yumuing</author><pubDate>Fri, 28 Jun 2024 21:16:31 +0800</pubDate><description><![CDATA[研究团队开发了一种名为LangGPT的框架，旨在为大型语言模型（LLMs）提供结构化且可重用的提示设计方法。LangGPT的设计灵感来源于编程语言的结构化特性，以解决非AI专家在为LLMs设计高效指令时面临的挑战。该框架通过定义一套标准模块和基本元素，以及扩展模块和自定义元素，提升了提示设计的通用性和复用性。]]></description><category></category></item><item><title><![CDATA[ExVideo: 提升5倍性能-用于视频合成模型的新型后调谐方法]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/140052840</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/140052840</guid><author>yumuing</author><pubDate>Fri, 28 Jun 2024 20:57:03 +0800</pubDate><description><![CDATA[该研究的核心在于开发了一种创新的后调优方法——ExVideo，它致力于克服当前视频扩散模型在生成长时间视频方面的限制。ExVideo的设计目标是增强现有模型的功能，使之在不大幅增加训练成本的前提下，能够输出更长的视频序列。]]></description><category></category></item><item><title><![CDATA[Depth Anything V2：抖音开源高性能任何单目图像深度估计V2版本，并开放具有精确注释和多样化场景的多功能评估基准]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/139884505</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/139884505</guid><author>yumuing</author><pubDate>Sat, 22 Jun 2024 16:49:42 +0800</pubDate><description><![CDATA[实现了一种名为“深度任意物V2”的单目深度估计算法，旨在通过三个关键实践：使用合成图像代替真实标记图、增加教师模型容量以及通过大规模伪标记的真实图像教授学生模型等方法，提高深度预测精度和鲁棒性。与基于Stable Diffusion的最新模型相比，该算法更加高效（比其快10倍以上）且准确度更高。]]></description><category></category></item><item><title><![CDATA[MCT Self-Refine：创新集成蒙特卡洛树搜索 （MCTS）提高复杂数学推理任务的性能，超GPT4，使用 LLaMa-3 8B 进行自我优化]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/139877617</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/139877617</guid><author>yumuing</author><pubDate>Sat, 22 Jun 2024 10:04:29 +0800</pubDate><description><![CDATA[本文介绍了一种名为MCTSelf-Refine（MCTSr）的新算法，它将大型语言模型（LLMs）与蒙特卡罗树搜索（MCTS）相结合，旨在提高复杂数学推理任务的表现。该算法通过选择、自我修正、自我评估和反向传播等迭代过程构建一个蒙特卡罗搜索树，并利用改进后的上置信界公式优化探索和开发之间的平衡。]]></description><category></category></item><item><title><![CDATA[自回归模型胜过扩散模型：用于可扩展图像生成的 Llama]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/139863580</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/139863580</guid><author>yumuing</author><pubDate>Fri, 21 Jun 2024 16:02:51 +0800</pubDate><description><![CDATA[将大型语言模型（LLMs）的“下一个令牌预测”范式应用于视觉生成领域。LlamaGen探索了是否未经视觉信号归纳偏置调整的原始自回归模型，如Llama，通过适当扩展后能实现顶尖的图像生成性能。研究重新审视了图像分块器的设计空间、图像生成模型的可扩展性属性以及训练数据质量。]]></description><category></category></item><item><title><![CDATA[X-LoRA：高效微调 LoRA 系列，实现不同领域知识专家混合模型]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/139858486</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/139858486</guid><author>yumuing</author><pubDate>Fri, 21 Jun 2024 13:25:32 +0800</pubDate><description><![CDATA[X-LoRA框架的提出是一个重大的创新，它为大型语言模型的适应性和扩展性开辟了新的路径。其能够动态混合不同领域的专家知识，为解决复杂、跨学科问题提供了强大的工具。]]></description><category></category></item><item><title><![CDATA[Samba：用于高效无限上下文语言建模的简单混合状态空间模型]]></title><link>https://blog.youkuaiyun.com/yumuing/article/details/139827778</link><guid>https://blog.youkuaiyun.com/yumuing/article/details/139827778</guid><author>yumuing</author><pubDate>Thu, 20 Jun 2024 12:02:13 +0800</pubDate><description><![CDATA[研究成功地开发了一种在理论上和实践中都表现出色的混合模型，SAMBA通过巧妙结合不同的建模方法，解决了无限上下文建模的效率与能力问题。其在处理超长序列时的性能提升尤为引人注目，同时也展示了在不同任务上的广泛适用性和优越性。然而，对于替代组件表现不佳的原因以及如何进一步优化混合架构的内部平衡，仍有待深入探究。未来工作可考虑如何更好地整合不同模块，比如理解SC为何在某些情况下导致负面效果，并探索如何最大化利用每个组件的优势。]]></description><category></category></item></channel></rss>