<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[gitblog_00524的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/gitblog_00524</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; gitblog_00524]]></copyright><item><title><![CDATA[快速上手 BasicSR：超分辨率复原工具箱装好到出图]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/152150848</link><guid>https://blog.csdn.net/gitblog_00524/article/details/152150848</guid><author>gitblog_00524</author><pubDate>Sat, 07 Nov 2026 19:31:34 +0800</pubDate><description><![CDATA[BasicSR 是一个基于 PyTorch 的开源图像视频复原工具箱，覆盖超分辨率、去噪、去模糊等任务。装完环境、下载预训练权重后，一条命令就能对测试图跑出复原结果。

## 它解决什么问题

一句话：把"图像/视频复原"里最常见的几类任务，统一成可训练、可评测、可推理的工程化流水线。

**低清图放大**：截图、老照片、缩略图被拉大后糊成一团，超分辨率模型能恢复细节而不是单纯拉伸像素。

**去]]></description><category></category></item><item><title><![CDATA[模型预测控制MPC终极指南：从数学建模、QP求解到matlab_motion_planning完整MATLAB实现]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/170246169</link><guid>https://blog.csdn.net/gitblog_00524/article/details/170246169</guid><author>gitblog_00524</author><pubDate>Sat, 07 Nov 2026 19:24:03 +0800</pubDate><description><![CDATA[模型预测控制（Model Predictive Control，MPC）是一种"先预测、再优化、后执行"的先进控制算法。本文基于开源项目 **matlab_motion_planning** 中的 [mpc_plan.m](https://link.gitcode.com/i/4bc6870b2ffb0d2687960a22de6a2a52) 实现，用通俗的方式讲清楚：MPC 如何建立机器人运动学]]></description><category></category></item><item><title><![CDATA[Qwen2.5-Omni-3B-finetune-25715549常见问题清单：CPU训练、OOM与效果不佳的终极排查指南]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/170241815</link><guid>https://blog.csdn.net/gitblog_00524/article/details/170241815</guid><author>gitblog_00524</author><pubDate>Sat, 07 Nov 2026 12:52:25 +0800</pubDate><description><![CDATA[本文整理 Qwen2.5-Omni-3B 微调 项目中最常见的 5 类问题：CPU 训练慢、显存/内存不足（OOM）、微调后效果不佳、grad_norm 出现 NaN、损失不下降。基于本项目真实训练记录（LoRA + LLaMA-Factory，82 步 / 2 epoch），每个问题都给出可落地的排查步骤，新手照着清单逐项核对即可快速定位原因。

[![Qwen2.5-Omni-3B微调训练损失]]></description><category></category></item><item><title><![CDATA[downkyi：B站视频下载工具从8K到永久关停]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/155620999</link><guid>https://blog.csdn.net/gitblog_00524/article/details/155620999</guid><author>gitblog_00524</author><pubDate>Sat, 07 Nov 2026 12:00:19 +0800</pubDate><description><![CDATA[晚上十一点，你窝在沙发上，纪录片被地铁信号掐断。downkyi（哔哩下载姬）解决的正是这个痛点：把B站视频存到本地。2026年7月，这个工具为什么突然关站？文章讲它的能力、那封函件，以及三方划下的边界。

## 它填上了什么空缺

你通勤时在地铁看纪录片，到家想重温，网络却断了。本地有一份副本，就能补上这个空档。剪辑要引用一段素材，手机录屏的清晰度不够看。收藏夹里的视频隔段时间悄悄失效，再用时找不]]></description><category></category></item><item><title><![CDATA[Craft Anything 实测：看懂任意软件，再复刻一个自己的]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/155416078</link><guid>https://blog.csdn.net/gitblog_00524/article/details/155416078</guid><author>gitblog_00524</author><pubDate>Sat, 07 Nov 2026 11:57:03 +0800</pubDate><description><![CDATA[手动复刻一个网站是个体力活：逐页截图、取色器量色值、量间距，最后连"手机宽度下横向滚了 22 像素"这种毛病都得自己发现。Craft Anything 想替你把这套活干完：研究目标 → 让 AI 写一个新版 → 拿原版逐项对比打分，纯 Rust 写的开源桌面应用。我第一反应是"这是给程序员的仿站流水线"，往下扒了几天，发现它更像一个带验收单子的逆向学徒。

## 它和 AI 编程助手不是一回事：多]]></description><category></category></item><item><title><![CDATA[darktable RAW 处理器 5 步上手指南]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/153944403</link><guid>https://blog.csdn.net/gitblog_00524/article/details/153944403</guid><author>gitblog_00524</author><pubDate>Sat, 07 Nov 2026 09:49:28 +0800</pubDate><description><![CDATA[darktable 是免费开源的 RAW 照片处理器，非破坏性地冲洗 RAW 文件：白平衡、曝光、曲线每一步只存参数，原片一个字节不动。适合拍 RAW、需要评级整理和批量出片的摄影爱好者，Linux、macOS（Apple Silicon）、Windows 10+ 均有官方安装包。

## 装好它：5 步从安装包到能出图

1. 按平台取安装包：Linux 用 AppImage，macOS 用 .]]></description><category></category></item><item><title><![CDATA[5分钟轻松搞定输入法词库转换：深蓝词库转换工具新手入门指南]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/157598554</link><guid>https://blog.csdn.net/gitblog_00524/article/details/157598554</guid><author>gitblog_00524</author><pubDate>Sat, 07 Nov 2026 01:39:03 +0800</pubDate><description><![CDATA[还在为更换输入法后词库无法迁移而烦恼吗？想在手机和电脑之间同步个性化词库却不知从何下手？**深蓝词库转换工具**正是解决这些问题的开源免费利器！它支持20多种主流输入法格式的双向转换，让你的个性化词库真正实现跨平台自由迁移。

## 🌟 为什么选择深蓝词库转换工具？

这款工具能为你带来三大核心价值：
- **全格式支持**：覆盖搜狗、百度、QQ拼音等20+输入法词库格式
- **跨设备同步**]]></description><category></category></item><item><title><![CDATA[视频抠像 · RobustVideoMatting —— 边缘干净，帧率不掉]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/159748947</link><guid>https://blog.csdn.net/gitblog_00524/article/details/159748947</guid><author>gitblog_00524</author><pubDate>Fri, 06 Nov 2026 16:41:58 +0800</pubDate><description><![CDATA[RobustVideoMatting 是一个视频抠像项目：给它一段视频，它逐帧输出前景颜色和 alpha 遮罩，模型支持 PyTorch、ONNX、TensorFlow、CoreML 等多种框架导出。它是循环网络，帧与帧之间传递时间记忆，所以人物快速移动时发丝边缘也不闪。GTX 1080Ti 上跑 1080p 视频可达 104fps。

## 先跑起来

```
git clone https:/]]></description><category></category></item><item><title><![CDATA[agent-browser 三大引擎横评：Chrome、Lightpanda 与 Obscura 该怎么选]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/170196253</link><guid>https://blog.csdn.net/gitblog_00524/article/details/170196253</guid><author>gitblog_00524</author><pubDate>Fri, 06 Nov 2026 16:32:40 +0800</pubDate><description><![CDATA[agent-browser 是一款面向 AI agent 的浏览器自动化 CLI 工具：打开网页、读取可访问性树、按元素引用执行点击和填表等操作。它内置三大浏览器引擎——Chrome、Lightpanda 与 Obscura，通过 `--engine` 参数即可切换。本文带你快速搞懂三者的差异、适用场景和选择方法。

## 为什么一个 CLI 要带三个引擎？

agent-browser 用统一的]]></description><category></category></item><item><title><![CDATA[Aerial 电视桌面兼容指南：你的电视能装吗？16+ 台机型开机自启实测（2026-10 更新）]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/151039239</link><guid>https://blog.csdn.net/gitblog_00524/article/details/151039239</guid><author>gitblog_00524</author><pubDate>Fri, 06 Nov 2026 16:09:32 +0800</pubDate><description><![CDATA[Aerial 是一款参照 tvOS 设计的开源 Android TV 电视桌面：没有广告、没有推荐流，开机自启自动接管，待机也不会被系统清掉。这篇文章按 2026 年 10 月更新批次整理了已验证机型的兼容性分层：哪些能当主力机、哪些能装但有明确限制、哪些不建议折腾，以及你的型号不在清单时怎么自测。

## 装完之后电视变成什么样

装好后，电视首页只剩你自己的应用：屏幕下方一排常用 App，往下]]></description><category></category></item><item><title><![CDATA[30 篇技术文同时在写它，20 条搜索全指向它：这个给 AI 装上“真浏览器”的开源工具，到底凭什么火]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/170191943</link><guid>https://blog.csdn.net/gitblog_00524/article/details/170191943</guid><author>gitblog_00524</author><pubDate>Fri, 06 Nov 2026 12:38:39 +0800</pubDate><description><![CDATA[最近翻技术社区，我发现了一个挺有意思的现象。

CSDN 上连着刷到 15 篇文章，掘金上又刷到 15 篇，加起来整整 30 篇，全在写同一个开源项目；再去看搜索索引，Bing 和 Google 各 10 条，20 条结果几乎被同一个关键词占满。

这个关键词叫 **agent-browser**，出自 Vercel Labs，是一个专门给 AI 用的浏览器工具。

一个命令行工具能有这个热度，本]]></description><category></category></item><item><title><![CDATA[ScriptMem许可证与合规指南：CC BY-NC 4.0授权边界与第三方剧本版权注意事项]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/148944370</link><guid>https://blog.csdn.net/gitblog_00524/article/details/148944370</guid><author>gitblog_00524</author><pubDate>Fri, 06 Nov 2026 11:39:00 +0800</pubDate><description><![CDATA[ScriptMem 是一个基于剧本素材构建的智能体长期记忆诊断基准（agent memory benchmark），本文面向新手完整解读其 CC BY-NC 4.0 许可证的授权边界，以及使用第三方剧本素材时的版权合规注意事项，帮助你快速判断哪些用法安全、哪些行为可能越界。

[![ScriptMem 项目横幅：真实感、全面、严谨逻辑与严格评测四大特性](https://raw.gitcode.c]]></description><category></category></item><item><title><![CDATA[DeepSeek-TNG-R1T2-Chimera的SGLang部署教程：reasoning-parser qwen3与5个常见坑点解析]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/170186220</link><guid>https://blog.csdn.net/gitblog_00524/article/details/170186220</guid><author>gitblog_00524</author><pubDate>Fri, 06 Nov 2026 09:33:26 +0800</pubDate><description><![CDATA[DeepSeek-TNG-R1T2-Chimera 是由 TNG 基于 R1-0528、R1、V3-0324 三大 DeepSeek 父模型组装而成的 671B "Tri-Mind" 推理模型，MIT 协议完全开源。本文提供一份面向新手的 SGLang 部署教程：详解如何用 `--reasoning-parser qwen3` 正确分离思考过程与正式回答，并梳理部署中 5 个常见坑点与完整避坑清单]]></description><category></category></item><item><title><![CDATA[【实测好用】HDMI转MIPI桥接方案怎么选？TC358870与LT6911对比及上手指南]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/170150215</link><guid>https://blog.csdn.net/gitblog_00524/article/details/170150215</guid><author>gitblog_00524</author><pubDate>Thu, 05 Nov 2026 23:34:22 +0800</pubDate><description><![CDATA[这个仓库把两套HDMI转MIPI转换的硬件与配置资源打包在一个压缩包里：TC358870XBG（东芝）方案和LT6911（龙讯）方案，核心文件是 [TC358870_LT9611.rar](https://link.gitcode.com/i/cc8f2d92d01e02ea2c380a785b829d9b)（约32MB），解开后分为1.Hardware、2.Firmware、3.Tools、4.]]></description><category></category></item><item><title><![CDATA[如何为OmniGet编写第一个插件：omniget-plugin-sdk从零到发布完整教程]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/161481490</link><guid>https://blog.csdn.net/gitblog_00524/article/details/161481490</guid><author>gitblog_00524</author><pubDate>Thu, 05 Nov 2026 23:07:05 +0800</pubDate><description><![CDATA[OmniGet 是一款基于 Tauri 2 + Rust + Svelte 的开源下载管理器，支持下载 Udemy/Hotmart 课程、YouTube、音乐等 1800+ 站点的资源，并内置可扩展的插件系统。本教程带你使用官方 `omniget-plugin-sdk` 从零编写第一个 OmniGet 插件：搭建开发环境、编写插件清单 `plugin.json`、实现插件核心 Trait、本地加载]]></description><category></category></item><item><title><![CDATA[DiscImageStudio双入口玩法：GUI与统一命令行，新手和自动化各取所需]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/152626141</link><guid>https://blog.csdn.net/gitblog_00524/article/details/152626141</guid><author>gitblog_00524</author><pubDate>Thu, 05 Nov 2026 22:14:37 +0800</pubDate><description><![CDATA[**DiscImageStudio** 是一款运行在 Windows 上的**光盘盘面可见图像生成与刻录工具**：它把普通图片转换成符合 CD、DVD 与单层 BD-R 物理层约束的数据，刻录后光盘盘面会呈现肉眼可见的图案。它内置**双入口**设计——不带参数双击即打开 **GUI 图形界面**，带上参数则切换为**统一命令行（CLI）** 工具，新手点按钮、自动化写脚本，一个程序各取所需。

[]]></description><category></category></item><item><title><![CDATA[vitaGL完全指南：为什么它是PS Vita上3D游戏的终极渲染引擎？]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/153103755</link><guid>https://blog.csdn.net/gitblog_00524/article/details/153103755</guid><author>gitblog_00524</author><pubDate>Thu, 05 Nov 2026 22:03:27 +0800</pubDate><description><![CDATA[**vitaGL** 是一款面向 PS Vita 开发的开源 OpenGL 驱动，它在标准 OpenGL API 与 PS Vita 私有 GPU 接口 sceGxm 之间充当渲染桥梁，将 OpenGL 调用实时翻译为等价的 sceGxm 指令并获得完整硬件加速。换句话说，开发者可以用熟悉的 OpenGL + GLSL 编写 3D 游戏，而无需直接操作底层硬件。本文将从架构、特性、官方示例到编译安]]></description><category></category></item><item><title><![CDATA[为什么选择Granite-3.0-1B-A400M-Instruct？IBM 1B级MoE开源LLM完全指南]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/170148655</link><guid>https://blog.csdn.net/gitblog_00524/article/details/170148655</guid><author>gitblog_00524</author><pubDate>Thu, 05 Nov 2026 21:02:19 +0800</pubDate><description><![CDATA[**Granite-3.0-1B-A400M-Instruct** 是 IBM 开源的 1B 级 MoE 架构指令微调大语言模型（LLM），总参数约 1.3B、每次推理仅激活约 400M 参数，采用宽松的 Apache 2.0 协议，支持 12 种语言对话。对于想要低成本本地部署、私有化运行 AI 助手的个人开发者和企业来说，它几乎是"小模型里的优等生"。本文将带你快速了解它的核心优势、架构参数、]]></description><category></category></item><item><title><![CDATA[Pencil Project免费本地原型3大实战能力]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/162300128</link><guid>https://blog.csdn.net/gitblog_00524/article/details/162300128</guid><author>gitblog_00524</author><pubDate>Thu, 05 Nov 2026 18:41:49 +0800</pubDate><description><![CDATA[公司内网封死了所有云端设计工具，做到一半的原型卡在"无连接"的转圈界面上——你遇到过这堵墙吗？Pencil Project 是一款完全离线运行、免费开源的 GUI 原型与线框设计工具，跨 Windows、macOS、Linux 三大平台桌面端。适合内网设计、离线原型、AI 辅助线框生成等场景。

[![Pencil Project 4.0 离线GUI原型界面](https://raw.gitcod]]></description><category></category></item><item><title><![CDATA[为什么 asr-wav2vec2-librispeech 值得一试：SpeechBrain 高精度英语语音识别模型完全概览]]></title><link>https://blog.csdn.net/gitblog_00524/article/details/170146671</link><guid>https://blog.csdn.net/gitblog_00524/article/details/170146671</guid><author>gitblog_00524</author><pubDate>Thu, 05 Nov 2026 18:29:22 +0800</pubDate><description><![CDATA[asr-wav2vec2-librispeech 是 SpeechBrain 团队开源的英语语音识别模型，基于 wav2vec 2.0 预训练模型 + CTC 解码，在 LibriSpeech 数据集上训练，test-clean 集字错率（WER）仅 **1.90%**。本文用最直白的方式，带你了解这套高精度"语音转文字"方案的架构、性能数据、三步上手流程和文件结构，帮你判断它是否适合你的项目。
]]></description><category></category></item></channel></rss>