Yunfeng's Simple Blog

https://vra.github.io

https://vra.github.io/atom.xml (RSS订阅地址)

2025年终总结

2025年要结束了。此刻是2025年12月30日的上午8点52，我正坐在家里客厅的垫子上，赵老师和乖乖还在睡。外面阴天，窗户那边传来扫地的机器的声音。我拿着笔记本，来记录和总结一下我们的2025年。 如果用一个词总结2025年的话，我会用“幸福”。生活上，一切顺遂，父

2025/12/30

lyrichroma-一键将语音转换为视频的Python命令行工具

<h2 id="说明"><a href="#说明" class="headerlink" title="说明"></a>说明</h2>最近有个工作需要一个宣传视频，我希望将声音转换为黑白背景的视频，并且将声音对应的文字通过字幕形式显示出来，但没找到合适的工具。剪映语音识别字

2025/12/20

JiT论文阅读Back to Basics-Let Denoising Generative Models Denoise

<h3 id="细节"><a href="#细节" class="headerlink" title="细节"></a>细节</h3>前几天在GitHub上看到点赞了JiT的代码仓库，进去看了下，发现是kaiming he的新论文，这几天看完后，发现是一篇非常极简，优雅，结

2025/11/23

Lepton AI后续

2023年11月份的时候，我写过一篇介绍贾扬清创业项目LeptonAI的文章，当时的感受是，项目对应的python包leptonai API设计优雅，对应的云端平台体验也很丝滑。后面看到团队又更新了叫gupd的一个仓库，这是一个轻量级、生产级的 GPU 监控与管理工具，为保

2025/10/4

llm-code-scorer

<blockquote> 这是去年9月份受两个实习生小伙伴讨论代码启发而做的一个小项目，这周五他们回学校了，我也把这个在草稿箱躺了11个月的文章改了改，发出来作为纪念。 </blockquote> <h2 id="背景介绍"><a href="#背景介绍" clas

2025/8/23

wavlm-large模型onnx和mnn版本的导出与使用

在音频处理领域，WavLM是一个强大的预训练模型，可以提取高质量的音频特征表示。然而，在实际应用中，我们常常面临模型体积大、推理速度慢以及部署复杂等问题。本文将详细记录我对s3prl项目中的WavLM模型进行优化，包括简化推理过程、ONNX导出以及MNN转换（包括FP16和

2025/8/23

解决Manus Blog自动跳转无法访问的问题

近日，Manus 在<a href="https://manus.im/blog/Context-Engineering-for-AI-Agents-Lessons-from-Building-Manus">blog</a>中分享了关于agent搭建的一些实操经验，很有用，

2025/7/21

Pytorch转ONNX报错-Cannot insert a Tensor that requires grad as a constant

pytorch模型转换onnx的时候，遇到了下面的报错信息： <figure class="highlight bash"><table><tr><td class="gutter"><pre>1 </pre></td><td class="code"><pre>RuntimeError: Cannot insert a Tensor that requires grad as a constant. Consider making it a parameter or input, or detaching the gradient </pre></td></tr></table></figure> 翻译过来就是不能将一个需要梯度的tensor转换为constant。 定位到报错的层，是一个Conv2D，看起来是它对应的weight设置了requires_grad为True。本以为直接修改requires_grad = False 就可以了，但比较诡异的是，实际试下来并不行。

2025/7/9

用MOSS-TTSD生成相声

昨天看到周舒畅老师的AI短剧 <a href="https://zhuanlan.zhihu.com/p/1924834066970157596">论视觉大模型 VLM 的轻量化</a>，以讲相声的形式来表现，觉得很有意思，如果加上声音，就真的是一个技术领域的搞笑相声了。刚

2025/7/6

张小珺明超平访谈观点总结

之前有一次，和做投资人的高中同学聊天，他提到了投资了“小明”的创业公司，这里的小明指的是明超平。后面渐渐了解了明超平的经历。今天在B站看到张小张小珺和小明的<a href="https://www.bilibili.com/video/BV1PDKozTEZJ/">访谈</a>，听完后收获很大，创业者的顶级认知很有启发，这里摘录一些我觉得有收获的观点，对访谈的原文做了删减和流畅化的改写。 明超平背景：武大自动化系毕业，后转做产品经理，毕业后在One Plus 一加手机就职，后去字节做剪映产品，离职后加入MoonShot，负责海外产品Noisee。目前离职创业，做项目YouWare，一个用户分享、创造内容的社区。 下面是访谈的一些观点和访谈内容。

2025/7/2

Qwen VLo 效果实测

2025年6月26日，Qwen团队发布了<a href="https://qwenlm.github.io/blog/qwen-vlo/">Qwen VLo</a>，一个定位是“unified multimodal understanding and generation model”的模型，包括多模态的理解和生成。 根据官方的介绍博客，Qwen VLo包含下面的功能： <ul> <li>图像生成：文生图、2D卡通图像转真实图像</li> <li>图像编辑：例如修改某个主体、更换颜色、更换风格</li> <li>图像算法能力：例如检测框、canny 算子、图像分割结果</li> </ul> 经过一段时间的测试，我个人的总结是： <ol> <li>生图能力：效果比较差，感觉是一两年前生图模型的水平</li> <li>图像风格转换：效果比较稳定，生图有美感</li> <li>图像编辑能力：还算可以，有一些case做不好</li> <li>检测框：能稳定生成，单人没问题，多人场景下也不算很准</li> <li>图像分割：没有成功</li> <li>canny算子：细节更丰富，但有一些地方与原图并非完全对齐</li> </ol> 再单独吐槽一个点，刚开始没找到Qwen VLo的入口，看微信公众号文章的留言才发现，并不是以一个模型列在可选模型列表中的，而是不管选择什么模型，只要做生图任务或者上传图片进行对话，都调用Qwen VLo。这种不遵从用户已有习惯的设置，随意而为的做法，用户体验很差，要是没看到留言回复，真的不知道怎么用。 下面详细展开我上面总结中各个条目的实际结果。

2025/6/28

美团 NoCode 简单使用体验

网站地址：<a href="https://nocode.cn/">NoCode-零代码应用生成平台</a> 简单使用了下，生成代码速度挺快的，NoCode的UI设计也简洁好用，但试了几次官方的实例（）生成的代码也没跑起来。

2025/6/12

AI时代的产品文本化

Andrej Karpathy 有一条关于AI时代产品文本化的推文如下： <blockquote> Products with extensive/rich UIs lots of sliders, switches, menus, with no scripting support, and built on opaque, custom, binary formats are ngmi in the era of heavy human+AI collaboration. If an LLM can’t read the underlying representations and manipulate them and all of the related settings via scripting, then it also can’t co-pilot your product with existing professionals and it doesn’t allow vibe coding for the 100X more aspiring prosumers. Example high risk (binary objects/artifacts, no text DSL): every Adobe product, DAWs, CAD/3D Example medium-high risk (already partially text scriptable): Blender, Unity Example medium-low risk (mostly but not entirely text already, some automation/plugins ecosystem): Excel Example low risk (already just all text, lucky!): IDEs like VS Code, Figma, Jupyter, Obsidian, … Al’s will get better and better at human UIUX (Operator and friends), but I suspect the products that attempt to exclusively wait for this future without trying to meet the technology halfway where it is today are not going to have a good time. </blockquote> 以下是我的一些见解。

2025/6/8

Comma v0.1 -全开源数据训练的可复现大模型

<blockquote> credit: <a href="https://simonwillison.net/2025/Jun/7/comma/">via</a> </blockquote> 近期，<a href="https://huggingface.co/common-pile">Common Pile</a> 团队开源了利用开放数据训练的7B LLM模型Comma v0.1 1T和2T，训练数据采用的是这个团队采集的<a href="https://huggingface.co/collections/common-pile/common-pile-v01-68307d37df48e36f02717f21">Common Pile v0.1</a>，1个8T的数据集，包含公开数据，以及开放证书的数据，也就是训练大模型都是合法的，没有采用带版权的数据。

2025/6/8

用gradio部署mcp server

<h3 id="1-说明"><a href="#1-说明" class="headerlink" title="1. 说明"></a>1. 说明</h3>mcp是一种创新的开源协议，用于规范大模型对外部工具的调用流程。mcp服务是供大模型调用的外部服务，用于增强大模型解决问题的能力。 mcp服务可以用mcp python-sdk来搭建，官方教程在<a href="https://github.com/modelcontextprotocol/python-sdk">这里</a>。对第一次尝试的同学来说，官方的sdk还是有一定门槛的。 最近发现gradio 默认支持mcp server的<a href="https://www.gradio.app/guides/building-mcp-server-with-gradio">部署</a>，也就是launch一个gradio demo后，默认就起一个mcp服务，无需额外学习mcp python sdk的使用。这对于已经熟悉gradio demo搭建的同学来说，方便了不少。下面我将展示一个简单的基于gradio的mcp server搭建，以及在一个mcp client中调用。

2025/6/4

repetition_penality的作用与实现

<h3 id="1-原理说明"><a href="#1-原理说明" class="headerlink" title="1. 原理说明"></a>1. 原理说明</h3>在跑LLM推理的时候，有时候会出现模型不断复读的现象，也就是模型一直输出同一个token或者token序列，不结束输出。transformers库中有一个参数<code>repetition_penality</code>专门针对此现象进行优化，通过将其设置为大于1.0的一个浮点数（如1.05， 1.1， 1.2等），有些情况下能缓解重复问题。这个优化思路是在2019年的论文<a href="https://arxiv.org/pdf/1909.05858">CTRL</a>中提出的。 那这个参数是怎么解决重复问题的呢？其实实现原理很简单：对于之前出现过的token，在其logits（没有经过softmax的raw score)上作用一个<code>repetition_penality</code> 系数，使得它的logits数值降低，进而减少被选做下一个token的概率。

2025/6/2

git lfs pointer 报错解决

<h3 id="1-问题说明"><a href="#1-问题说明" class="headerlink" title="1. 问题说明"></a>1. 问题说明</h3>在git管理中，有时候会遇到下面的报错： <figure class="highlight bash"><table><tr><td class="gutter"><pre>1 2 </pre></td><td class="code"><pre>Encountered 1 file that should have been a pointer, but wasn't: /path/to/file </pre></td></tr></table></figure> 或像下面这样： <figure class="highlight bash"><table><tr><td class="gutter"><pre>1 2 3 </pre></td><td class="code"><pre>Encountered <n> files that should have been pointers, but weren't: /path/to/file1 /path/to/file2 </pre></td></tr></table></figure> 调查一番后发现，这种报错的核心原因是本应该用Git LFS管理的文件，直接被git来管理了。报错中提到的pointer ，实际上指的就是Git LFS 格式的文件，它不包含完整的数据，而只是一个指向完整数据的指针。

2025/6/2

bitnet-b1.58-2b-4t

<h3 id="1-说明"><a href="#1-说明" class="headerlink" title="1. 说明"></a>1. 说明</h3>看到最近为微软更新了一个BitNet新版本<a href="https://huggingface.co/microsoft/bitnet-b1.58-2B-4T">bitnet-b1.58-2B-4T</a>，参数只采用{-1, 0, 1}来表示，在普通CPU上性能挺好，而网络上测试结果不多，因此这里试试看到底效果怎么样。 这里尝试了2种方式，一个是利用官方提供的网站，进行效果测试，另一个是下载模型自己本地搭建C++推理环境，两种情况都只在CPU上进行测试。整体测试下来，两种情况的效果都还是不能让人满意，有一点智商但不高，速度倒确实挺快的。不过随着模型不断迭代，或许未来能走出跟云端GPU环境部署的模型完全不一样的道路。

2025/4/20

Neovim conceal机制导致markdown语法隐藏的问题

<code>conceal</code> 是 Vim/Neovim 中一个用于优化显示效果的机制，它可以将某些语法符号替换为更简洁的视觉表示（或完全隐藏）。这在 Markdown、LaTeX 等格式中常用于提升可读性，但有一个问题：不太好确

2025/2/15

Quotation Armin Ronacher's Reflecting on Life

<blockquote> Whether it’s working on a project, solving a difficult problem, or even refining soft skills like communication, the act of

2025/2/15