<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[gitblog_00392的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/gitblog_00392</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; gitblog_00392]]></copyright><item><title><![CDATA[Mistral-Small-24B-Base-2501的32k上下文窗口：长文本处理能力全解析与RoPE缩放技巧指南]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/170565572</link><guid>https://blog.csdn.net/gitblog_00392/article/details/170565572</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 23:15:33 +0800</pubDate><description><![CDATA[Mistral-Small-24B-Base-2501 是 Mistral AI 开源的 24B 参数 Base 语言模型，内置 **32K（32768）上下文窗口**，配合高达 1e8 的 `rope_theta` RoPE 位置编码设计，在"小模型"类别中具备出色的长文本处理能力。本文将从上下文窗口的实际容量、底层架构参数、RoPE 缩放原理与常用技巧出发，帮新手快速看懂并上手这个模型的长文本]]></description><category></category></item><item><title><![CDATA[6-bit量化到底是什么？Mistral-Small-3.2-24B-Instruct-2506-MLX-6bit高速小体积背后的原理深度揭秘]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/156079525</link><guid>https://blog.csdn.net/gitblog_00392/article/details/156079525</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 23:05:49 +0800</pubDate><description><![CDATA[大模型本地部署最大的拦路虎是什么？太大、太慢、太吃内存。Mistral-Small-3.2-24B-Instruct-2506-MLX-6bit 就是为了解决这个问题而来：它通过 **6-bit量化** 把一个 240 亿参数的多模态模型压缩到约 18 GB，并借助 MLX 框架在 Apple Silicon（M 系列芯片）上高速推理。这篇文章就用它当案例，把 6-bit 量化、分组量化和 MLX]]></description><category></category></item><item><title><![CDATA[从GGUF到IQ量化：ThinkingCap-gemma-4-26B GGUF如何把26B模型压缩到8.4GB？]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/158913178</link><guid>https://blog.csdn.net/gitblog_00392/article/details/158913178</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 20:56:54 +0800</pubDate><description><![CDATA[**ThinkingCap-gemma-4-26B GGUF** 是 Google Gemma 4 26B 系列模型（MoE 架构，激活参数仅 4B）的一组 **IQ 量化版 GGUF 文件**，由量化作者 mradermacher 提供。其中最极端的 [ThinkingCap-gemma-4-4-26B-A4B-it.i1-IQ1_S.gguf](https://link.gitcode.com]]></description><category></category></item><item><title><![CDATA[猫抓 cat-catch 资源嗅探实战指南：网页视频下载与 M3U8 合并下载]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/159633743</link><guid>https://blog.csdn.net/gitblog_00392/article/details/159633743</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 20:53:57 +0800</pubDate><description><![CDATA[猫抓 cat-catch 是一个浏览器资源嗅探扩展：它监听页面发出的网络请求，把正在播放的视频、音频按真实链接和大小列成清单，先预览再下载。适合两类人——想存在线课程的普通用户、经常批量收集素材的创作者。下文讲清它的适用场景、最快安装路径、三个高频任务的完整步骤，以及出错时的排查路线。

## 适合在什么场景下用

- **网页有播放、无下载入口**。右键"另存为"存下来常常是打不开的东西，因为真]]></description><category></category></item><item><title><![CDATA[如何用三步把 SideStore 装进 iPhone？iloader 免费 iOS 侧载完整指南]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/166794549</link><guid>https://blog.csdn.net/gitblog_00392/article/details/166794549</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 20:04:34 +0800</pubDate><description><![CDATA[想让 iPhone 装上 SideStore，却被证书签名、报错信息卡住？iloader 是一款免费开源的 iOS 侧载工具，登录 Apple ID 后自动完成下载、签名和安装，全程不用你碰证书。

## 结论先行：iloader 的 iOS 侧载对新手够用

如果目标只是"不碰证书把 SideStore 装进 iPhone"，iloader 是目前门槛最低的选择之一：

- **一键安装 Sid]]></description><category></category></item><item><title><![CDATA[8GB显存也能秒出图：Qwen-Image-2.1-viggle-4-steps-turbo-GGUF 上手教程（附ComfyUI完整工作流）]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/163991485</link><guid>https://blog.csdn.net/gitblog_00392/article/details/163991485</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 19:23:18 +0800</pubDate><description><![CDATA[本文带你快速上手 **Qwen-Image-2.1-viggle-4-steps-turbo-GGUF**——一个面向低显存显卡优化的 **4 步蒸馏出图模型** GGUF 量化合集。只需 8GB 显存、4 步采样，就能在 ComfyUI 中实现近乎即时的文生图与指令式图片编辑，全文附完整工作流参数配置。

## 📌 它是什么？为什么"4 步"就能出图？

普通扩散模型通常需要 20~40 步采]]></description><category></category></item><item><title><![CDATA[实战 5 例：用科学科技专精大语言模型 KONI-Llama3.1-8B-Instruct-20241024 搞定科研写作与代码难题]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/153717780</link><guid>https://blog.csdn.net/gitblog_00392/article/details/153717780</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 19:02:10 +0800</pubDate><description><![CDATA[KONI-Llama3.1-8B-Instruct-20241024 是韩国科学技术研究院（KISTI）推出的科学科技专精大语言模型，专为科研写作、文献理解与科学代码生成而优化。本文用 5 个真实场景带你快速上手这个 8B 级模型，从论文摘要润色到实验代码调试，一文讲透它的实战用法。

## 一、模型速览：KONI 凭什么"懂科学"？

KONI（KISTI Open Natural Intell]]></description><category></category></item><item><title><![CDATA[为什么CFG超过1.0会毁掉画面？Qwen-Image-2.1-Turbo-GGUF背后的Turbo蒸馏原理深度解析]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/156472876</link><guid>https://blog.csdn.net/gitblog_00392/article/details/156472876</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 19:00:46 +0800</pubDate><description><![CDATA[本文深度解析 **Qwen-Image-2.1-Turbo-GGUF** 这个面向 ComfyUI 的 AI 绘图项目：它是阿里巴巴官方 Qwen-Image-2.1-Turbo 蒸馏扩散模型的 GGUF 量化权重，支持 4–8 步极速文生图与图像编辑。很多新手第一次生成时最困惑的一点是——**为什么 CFG 调到 1.5 画面就糊了、色块崩了？** 答案藏在这个模型的"Turbo 蒸馏"里。读完]]></description><category></category></item><item><title><![CDATA[gemma-4-31B-it-oQ6e-mtp config.json参考手册：60层架构、滑动窗口注意力与双RoPE参数详解]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/162296096</link><guid>https://blog.csdn.net/gitblog_00392/article/details/162296096</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 18:44:50 +0800</pubDate><description><![CDATA[gemma-4-31B-it-oQ6e-mtp 是 Google Gemma 4 家族 31B 多模态大模型（文本 + 图像输入）的 MLX 混合精度量化版本，基于 oQ6e 算法压缩至约 25.9 GiB，并内置 MTP（多 token 预测）头。本文以 [config.json](https://link.gitcode.com/i/0d0b98749d1578da5c38a15b760e90]]></description><category></category></item><item><title><![CDATA[RevokeMsgPatcher 防撤回补丁 5 分钟上手指南]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/153099322</link><guid>https://blog.csdn.net/gitblog_00392/article/details/153099322</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 18:40:15 +0800</pubDate><description><![CDATA[加班时客户在群里确认了交付日期，十秒后被一条撤回消掉。这篇文章讲清 RevokeMsgPatcher 防撤回补丁的原理、支持版本和安装验证全流程，读完可以照着把补丁装好。

## 📋 30 秒速览

- 原理一句话版：改写本地 DLL 里"是撤回就删消息"的跳转指令，让撤回在你这一侧失效
- 支持哪些版本：微信 2.6.6.28 ~ 4.x、企业微信 4.0+、QQ/TIM/QQ轻聊版、新版 Q]]></description><category></category></item><item><title><![CDATA[TFLite转换NaN陷阱修复指南：whisper_tflite_models的TFForceTokensLogitsProcessor猴补丁深度剖析]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/161271437</link><guid>https://blog.csdn.net/gitblog_00392/article/details/161271437</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 18:32:07 +0800</pubDate><description><![CDATA[**whisper_tflite_models** 是一个将 Whisper 语音识别模型转换为 TFLite 格式、用于离线 Android 应用的开源模型仓库。它解决了一个隐蔽的大坑：Whisper 转 TFLite 时，官方 `TFForceTokensLogitsProcessor` 中的 `-inf`（负无穷）会让推理结果变成 NaN。本文带你读懂项目里的猴补丁（monkey patch]]></description><category></category></item><item><title><![CDATA[6个步骤掌握AzurLaneAutoScript自动化脚本：从入门到精通的高效指南]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/158191973</link><guid>https://blog.csdn.net/gitblog_00392/article/details/158191973</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 17:58:32 +0800</pubDate><description><![CDATA[AzurLaneAutoScript（简称Alas）是一款开源自动化脚本，能够为碧蓝航线玩家提供全流程自动化解决方案。通过先进的图像识别技术和智能决策系统，Alas实现了从日常任务、委托派遣到大世界探索的全自动操作，支持多服务器版本，让玩家在忙碌之余也能高效获取游戏资源，显著提升游戏体验。

## 一、零基础部署：5分钟环境搭建指南

### 1.1 系统要求检查
确保您的设备满足以下条件：
- ]]></description><category></category></item><item><title><![CDATA[从three.js到Unreal Engine 5.8：Scanned Objects GLB数据集导入游戏引擎的踩坑实录与解法]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/163524705</link><guid>https://blog.csdn.net/gitblog_00392/article/details/163524705</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 16:01:49 +0800</pubDate><description><![CDATA[**Scanned Objects GLB** 是一个面向 Web 与游戏引擎的 3D 扫描数据集：1,033 个真实家居用品的 Google Scanned Objects 扫描模型，被统一转成 Web 直读的 `.glb` 文件（Y 轴向上、真实米制尺寸），总体积从源文件的 13.7 GB 压缩到 **344.8 MB**。本文记录把这套数据集导入 three.js 和 Unreal Engi]]></description><category></category></item><item><title><![CDATA[Topcoat fmt 实战指南：格式化 Topcoat 宏体与 Rust 源码]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/157013198</link><guid>https://blog.csdn.net/gitblog_00392/article/details/157013198</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 13:42:12 +0800</pubDate><description><![CDATA[`topcoat fmt` 是 Topcoat CLI 内置的格式化命令，专门用于格式化 Rust 源文件中 Topcoat 宏（如 `view!`、`class!`、`#[page]`）体内的 DSL 内容；加上 `--rustfmt` 后，它会先调用 `rustfmt` 整理外围 Rust 代码，再处理宏体。本文以官方文档 [docs/cli/fmt.md](https://link.gitc]]></description><category></category></item><item><title><![CDATA[Fleet 落地 CIS Apple macOS 26 Tahoe Benchmark v1.1.0：策略、查询模式与自动化测试全解析]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/155087234</link><guid>https://blog.csdn.net/gitblog_00392/article/details/155087234</guid><author>gitblog_00392</author><pubDate>Wed, 11 Nov 2026 11:35:38 +0800</pubDate><description><![CDATA[Fleet 将 CIS（Center for Internet Security）发布的 **Apple macOS 26 Tahoe Benchmark v1.1.0** 完整转化为可执行的 osquery 策略、MDM 配置描述文件与测试脚本，覆盖 §1–§6 全部自动化建议项。本文以 [ee/cis/macos-26/README.md](https://gitcode.com/GitHub]]></description><category></category></item><item><title><![CDATA[68GB缩到39GB：Qwen3.8-Flash-Next-REAP-288-MLX-4bit的NVMe流式n-gram表实战]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/153992969</link><guid>https://blog.csdn.net/gitblog_00392/article/details/153992969</guid><author>gitblog_00392</author><pubDate>Tue, 10 Nov 2026 21:53:09 +0800</pubDate><description><![CDATA[Qwen3.8-Flash-Next-REAP-288-MLX-4bit 是一个 180B 级的 MoE 大模型本地部署构建：在 REAP 剪枝把每层 512 个专家砍到 288 个、并采用 MLX 4-bit 量化后，磁盘占用从 98 GB 降到 68 GB；再配合 NVMe 流式读取 51B 参数的 n-gram 表，常驻内存进一步从 68 GB 压到约 39 GB，让 128 GB 内存的 ]]></description><category></category></item><item><title><![CDATA[一文读懂technique-router：用AI路由模型为VLM图像理解省token的完整指南]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/170457458</link><guid>https://blog.csdn.net/gitblog_00392/article/details/170457458</guid><author>gitblog_00392</author><pubDate>Tue, 10 Nov 2026 21:43:51 +0800</pubDate><description><![CDATA[🎯 **technique-router** 是一个微调后的 MiniLM 分类模型，能够自动判断你对图像的每个提问适合哪种压缩技术，从而让 VLM（视觉-语言模型）在理解图像时**节省最多约 99% 的 token**，直接降低推理成本。本文将带你从零理解它的原理、效果与上手方法。

## 为什么 VLM 图像理解需要省 token？

用 VLM 分析图片时，图像会被切分成大量 token ]]></description><category></category></item><item><title><![CDATA[Qwen3.6-27B-AWQ-4bit 采样参数调优指南：temperature/top_p/presence_penalty最佳配置]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/170456135</link><guid>https://blog.csdn.net/gitblog_00392/article/details/170456135</guid><author>gitblog_00392</author><pubDate>Tue, 10 Nov 2026 20:07:16 +0800</pubDate><description><![CDATA[Qwen3.6-27B-AWQ-4bit 是 Qwen3.6-27B 的 AWQ 4-bit 量化版本，而采样参数（temperature、top_p、presence_penalty）的设置直接决定它的回答质量。本指南将三个核心参数的作用讲透，并给出官方推荐的三组最佳配置，帮助你快速找到最适合自己场景的参数组合。

## 一、先认识 Qwen3.6-27B-AWQ-4bit

这是一份开箱即用的]]></description><category></category></item><item><title><![CDATA[Watchdog 监听文件系统事件实战：一次移动为何会裂成删除+新建]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/165487940</link><guid>https://blog.csdn.net/gitblog_00392/article/details/165487940</guid><author>gitblog_00392</author><pubDate>Tue, 10 Nov 2026 18:45:48 +0800</pubDate><description><![CDATA[你的构建系统把产物从 `tmp/` 挪到 `dist/`，回调里却收到一条 `on_deleted` 加一条 `on_created`，`on_moved` 一次都没触发。这就是 Watchdog 监听文件系统事件时最经典的"假删除"——一次移动被拆成了两半。

下面不背 API，直接顺着这条日志往回追：它为什么会裂、`DelayedQueue` 在哪个环节把它粘回去、`delay` 和防抖又该拨]]></description><category></category></item><item><title><![CDATA[Zotero GPT 文献助手：5 分钟安装配置完整指南]]></title><link>https://blog.csdn.net/gitblog_00392/article/details/152353807</link><guid>https://blog.csdn.net/gitblog_00392/article/details/152353807</guid><author>gitblog_00392</author><pubDate>Tue, 10 Nov 2026 18:32:54 +0800</pubDate><description><![CDATA[Zotero GPT 文献助手是一个 Zotero 插件，把 GPT 接进你的文献库：选中论文、PDF 段落或剪贴板内容，直接提问、要摘要、做翻译，答案会带 [1][2] 这样的引用编号回到面板。适合每天要读一批文献、又没时间逐页精读的学生和科研人员，把"读完全文再理解"压缩成几分钟的问答。

## 它到底能帮你做什么

Zotero GPT 文献助手把最常用的文献处理动作做成了几个现成的命令标签]]></description><category></category></item></channel></rss>