<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[gitblog_00326的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/gitblog_00326</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; gitblog_00326]]></copyright><item><title><![CDATA[TranslucentTB 任务栏透明完整指南：5 种效果 + 3 套配置，免费开源 2 分钟上手]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/157199442</link><guid>https://blog.csdn.net/gitblog_00326/article/details/157199442</guid><author>gitblog_00326</author><pubDate>Fri, 30 Oct 2026 19:19:07 +0800</pubDate><description><![CDATA[想让壁纸完整铺满屏幕，先处理任务栏这条黑边。TranslucentTB 任务栏透明工具支持 Windows 10/11，5 种效果随场景切换，常驻内存仅数 MB，开源免费，本文覆盖安装、配置与避坑。

## 为什么选 TranslucentTB 而不是其他美化工具

Windows 官方没有给任务栏提供任何透明选项，而很多第三方美化工具会捆绑整套界面改造，部分还会在系统更新后失效。Transluc]]></description><category></category></item><item><title><![CDATA[JSONL还是Parquet：Qwen3-30B-A3B训练数据格式选型与完整流水线]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/153448988</link><guid>https://blog.csdn.net/gitblog_00326/article/details/153448988</guid><author>gitblog_00326</author><pubDate>Fri, 30 Oct 2026 17:22:27 +0800</pubDate><description><![CDATA[给 Qwen3-30B-A3B 准备语料时，第一个决定不是清洗规则怎么写，而是这批数据最终以什么训练数据格式落盘——JSONL 还是 Parquet。数据预处理是一条「原始文本 → 字段统一 → 长度控制 → 划分落盘 → 质量验收」的链路，格式选错会让后面每一步都多付成本。下面从三个最常见的翻车点切入，把这条链路讲清楚。

先交代与数据强相关的模型参数，后面会反复用到：Qwen3-30B-A3B]]></description><category></category></item><item><title><![CDATA[如何在Flow-Factory中编写自定义奖励模型：Pointwise与Groupwise奖励简单教程]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/154676973</link><guid>https://blog.csdn.net/gitblog_00326/article/details/154676973</guid><author>gitblog_00326</author><pubDate>Fri, 30 Oct 2026 17:16:11 +0800</pubDate><description><![CDATA[[![Flow-Factory 自定义奖励模型生成的训练样本](https://raw.gitcode.com/gh_mirrors/fl/Flow-Factory/raw/5dfb5e89d201e51e2d0cd17bda5fccaecb0dd0ad/assets/wandb_images.png?utm_source=gitcode_repo_files)](https://link.git]]></description><category></category></item><item><title><![CDATA[awesome-design-md 使用指南：84 份 DESIGN.md，让 AI 生成品牌级一致的 UI]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/161213031</link><guid>https://blog.csdn.net/gitblog_00326/article/details/161213031</guid><author>gitblog_00326</author><pubDate>Fri, 30 Oct 2026 16:00:59 +0800</pubDate><description><![CDATA[想要 AI 写出来的页面"像某个品牌"，而不是像所有品牌的平均脸？awesome-design-md 收集了 84 个知名网站的 DESIGN.md——纯文本设计系统文档——放进项目根目录，AI 编码代理就能按它生成配色、字号、组件状态都贴近目标品牌的 UI。

## 场景：为什么 AI 生成的页面总长得差不多

让编码代理"做一个落地页"，它总能交活：页面有头有尾，能跑能点。但成品往往一副通用脸]]></description><category></category></item><item><title><![CDATA[SyncYomi 合并算法源码剖析：版本号、墓碑与“复活“机制的设计细节]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/151638627</link><guid>https://blog.csdn.net/gitblog_00326/article/details/151638627</guid><author>gitblog_00326</author><pubDate>Fri, 30 Oct 2026 14:19:47 +0800</pubDate><description><![CDATA[SyncYomi 是一个开源的漫画阅读进度与图书馆同步服务器，服务于 TachiyomiSY 等多设备用户。它的核心难点在于**合并算法**：多台设备同时修改同一本书的章节状态时，谁的数据应该胜出？本文剖析 SyncYomi 服务端合并机制的三大设计支柱——**版本号（version）、墓碑（tombstone）、复活（resurrect）**，帮你理解它如何做到"数据不丢、删除可传播、重试安全"]]></description><category></category></item><item><title><![CDATA[揭秘权重索引机制：Qwen3-32B-w8a8-mxfp8的safetensors索引与quant_model_description.json如何工作]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/162549763</link><guid>https://blog.csdn.net/gitblog_00326/article/details/162549763</guid><author>gitblog_00326</author><pubDate>Fri, 30 Oct 2026 12:19:52 +0800</pubDate><description><![CDATA[Qwen3-32B-w8a8-mxfp8 是一个基于 W8A8 MXFP8 量化方案的 Qwen3-32B 大模型权重仓库。它的 35GB 权重被切分成 9 个 safetensors 分片，靠 `quant_model_weights.safetensors.index.json` 索引文件定位张量，再由 `quant_model_description.json` 描述每个张量的量化格式。本文]]></description><category></category></item><item><title><![CDATA[Notepad-- 跨平台文本编辑器快速上手指南：三平台编译安装与高频操作完整清单]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/164749013</link><guid>https://blog.csdn.net/gitblog_00326/article/details/164749013</guid><author>gitblog_00326</author><pubDate>Fri, 30 Oct 2026 12:18:46 +0800</pubDate><description><![CDATA[Notepad-- 是一款支持 Windows、Linux、macOS 三大平台的跨平台文本编辑器，内置语法高亮、目录级查找替换、文件与目录对比和插件扩展能力。它的定位是做文本编辑类软件的国产可替代方案，重点在国产信创 UOS 系统和各类 Linux 发行版上发展。如果你正准备在多个系统之间切换开发环境，这份指南会带你从零跑起来，并顺带讲透几个高频操作。

## 三端换着用的环境，需要一个不断档的]]></description><category></category></item><item><title><![CDATA[Mac内存不够跑大模型？flint-oQ8e从oQ2e到oQ8e的8个量化变体终极对比清单]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/163976784</link><guid>https://blog.csdn.net/gitblog_00326/article/details/163976784</guid><author>gitblog_00326</author><pubDate>Fri, 30 Oct 2026 12:13:17 +0800</pubDate><description><![CDATA[**flint-oQ8e** 是把 40B 参数的 Recursive Flint MoE 大模型，用 oMLX 的 oQ8e 算法量化后跑在 Mac（Apple Silicon）上的最高保真版本：磁盘占用 42.3 GB，推理质量与 bf16 原版几乎一致（perplexity 仅差 0.03）。而 Flint 家族从 oQ2e 到 oQ8e 一共有 **8 个量化变体**，从 13.9 GB ]]></description><category></category></item><item><title><![CDATA[老 Mac 升级 macOS Sonoma / Sequoia 完整操作指南：用 OpenCore Legacy Patcher 从制作安装介质到脱离 U 盘]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/161214319</link><guid>https://blog.csdn.net/gitblog_00326/article/details/161214319</guid><author>gitblog_00326</author><pubDate>Fri, 30 Oct 2026 11:29:43 +0800</pubDate><description><![CDATA[OpenCore Legacy Patcher（OCLP）让停更的 Intel 老 Mac 能安装或升级到 macOS Sonoma 与 macOS Sequoia，并保留图形加速、Wi-Fi 与 OTA 更新能力。按本指南走完全流程，最终得到一台不依赖 U 盘启动、补丁齐全的老 Mac。硬性限制：T2 芯片机型与 2GB 内存机型不受支持。

## 确认你的 Mac 是否在支持范围内

OCLP]]></description><category></category></item><item><title><![CDATA[九大网盘直链一键提取：LinkSwift 油猴脚本配合多线程下载，十分钟从零到跑通]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/163037703</link><guid>https://blog.csdn.net/gitblog_00326/article/details/163037703</guid><author>gitblog_00326</author><pubDate>Fri, 30 Oct 2026 11:02:22 +0800</pubDate><description><![CDATA[LinkSwift 是一款网盘直链下载油猴脚本（能自动取直链的浏览器脚本），用你的登录态调用百度、阿里、夸克、UC、中国移动云盘、天翼云盘、迅雷、光鸭、123 云盘九大网盘的公开接口，取回文件真实直链，交给本地多线程下载器高速拉取。

## 原理速讲：网页版慢在哪，直链快在哪

网页版默认按钮要先经过网盘的中转层，单条连接，速度由服务端单方面控制，非会员常常只有几十 KB/s。直链是另一条路：脚本]]></description><category></category></item><item><title><![CDATA[猫抓 Cat-Catch 资源嗅探扩展实战笔记：从 webRequest 捕获到 M3U8 合并下载的全流程走读]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/163874607</link><guid>https://blog.csdn.net/gitblog_00326/article/details/163874607</guid><author>gitblog_00326</author><pubDate>Fri, 30 Oct 2026 10:07:46 +0800</pubDate><description><![CDATA[打开任意视频站点的网络面板，前几秒就有几十个媒体请求飞过——开源扩展 Cat-Catch 做的事，就是把这些资源嗅探结果里用户真正想下载的那几个，变成能落盘的文件。它挂在浏览器里，一边被动监听网络请求收集媒体资源，一边为 M3U8、MPD、WebRTC 这类"URL 下不到完整文件"的协议各修了一条专用通道。本文回答的核心问题是：一条资源从被网页请求发出，到最终成为本地文件，中间经过了哪些环节，每]]></description><category></category></item><item><title><![CDATA[照着抄不如照着自己的业务改：做一份专属技能包的最小路径]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/169464666</link><guid>https://blog.csdn.net/gitblog_00326/article/details/169464666</guid><author>gitblog_00326</author><pubDate>Thu, 29 Oct 2026 20:59:40 +0800</pubDate><description><![CDATA[过去一年，Skill 从一个模糊的概念变成了一条完整的产业链：掘金上「前端开发必装 Skill 清单」两万七千阅读，「Agent Skills 傻瓜式教程」两万五，CSDN 上「200+ AI 项目合集，一键接入你的 Agent」被反复转载。收藏夹里躺着十几个仓库，真正在项目里活过一个迭代的通常不超过两个。

原因不复杂。技能包本质上是**一份上下文缓存**：它缓存的不是通用知识——通用知识模型本]]></description><category></category></item><item><title><![CDATA[VS Code、Vim、Emacs 的 TOML 插件配置指南：五分钟装好，长期流畅]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/154106978</link><guid>https://blog.csdn.net/gitblog_00326/article/details/154106978</guid><author>gitblog_00326</author><pubDate>Thu, 29 Oct 2026 17:23:09 +0800</pubDate><description><![CDATA[TOML（Tom's Obvious, Minimal Language）是一种极简的配置格式，本仓库维护的就是它的官方规范，完整定义见 [toml.md](https://link.gitcode.com/i/4bc9640af1a3a174f148c4e559650000)。想在主流编辑器里写 `.toml` 文件时有高亮、错误检查和格式化可用，三个编辑器的配置其实都很轻，五分钟就能起步。

]]></description><category></category></item><item><title><![CDATA[Cosmos3-Nano-Transfer-Auto如何被评测？FID、FVD、Sampson误差与LiDAR Utonia指标详解]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/153801510</link><guid>https://blog.csdn.net/gitblog_00326/article/details/153801510</guid><author>gitblog_00326</author><pubDate>Thu, 29 Oct 2026 16:38:16 +0800</pubDate><description><![CDATA[本文带你一文看懂 **Cosmos3-Nano-Transfer-Auto** 的多模态生成质量评测体系：这个 16B 参数量的多视角驾驶世界生成模型，如何生成 11 路同步相机视频与 LiDAR 观测，又如何用 **FID、FVD、Sampson 误差** 衡量画面与时空一致性，用 **Fréchet Utonia 距离、CTC、目标检测 F1** 等 LiDAR 指标衡量点云真实感。

## ]]></description><category></category></item><item><title><![CDATA[Macro 仓库 QC Gate 实践：用 5 个并行子代理构建提交前的语义质量门禁]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/163389474</link><guid>https://blog.csdn.net/gitblog_00326/article/details/163389474</guid><author>gitblog_00326</author><pubDate>Thu, 29 Oct 2026 16:09:23 +0800</pubDate><description><![CDATA[QC（Quality Control）Gate 是本仓库中一个只有 110 行的 Skill 文件，却定义了一条完整的提交前质量流程：把当前分支的 diff 一次性分发给 5 个并行子代理，分别从代码评审、简化、一致性、健壮性、范围五个维度独立判定，全部 `pass` 才允许提交。本文以 [.agents/skills/qc/SKILL.md](https://link.gitcode.com/i]]></description><category></category></item><item><title><![CDATA[5 分钟跑通 RocketMQ 本地调试：从 NameServer 到 Proxy 的一条路]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/159983384</link><guid>https://blog.csdn.net/gitblog_00326/article/details/159983384</guid><author>gitblog_00326</author><pubDate>Thu, 29 Oct 2026 13:19:57 +0800</pubDate><description><![CDATA[NameServer 起了，Broker 却注册不上；Broker 日志刷了一屏，`TopicTest` 的消息却一条发不出去——RocketMQ 本地调试最常见的卡点就在这两处。跟着这份指南走完，你会在本地跑通 NameServer、Broker 双节点，用自带的 Producer/Consumer 示例验证完整收发链路，并掌握断点打在 `SendMessageProcessor` 上的调试姿势]]></description><category></category></item><item><title><![CDATA[初识Unlimited-OCR-2-4bit：4bit量化+MLX加速，一条命令跑通百度最强OCR大模型]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/151467668</link><guid>https://blog.csdn.net/gitblog_00326/article/details/151467668</guid><author>gitblog_00326</author><pubDate>Thu, 29 Oct 2026 12:59:50 +0800</pubDate><description><![CDATA[Unlimited-OCR-2-4bit 是百度旗舰 OCR 大模型 Unlimited-OCR-2 的 MLX 移植 + 4bit 量化版本：在 Apple Silicon 的 Mac 上，一条命令就能完成整页文档识别，整个模型权重只要约 2.5 GB。这篇文章带你快速了解它的核心特性、三步上手步骤，以及如何读懂它的识别输出。

## 为什么是 4bit 量化？📦

原版模型的完整语言模型以 ]]></description><category></category></item><item><title><![CDATA[【附下载链接】Pydroid 3：在安卓手机上装 Python IDE 的 3 步上手指南]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/169449873</link><guid>https://blog.csdn.net/gitblog_00326/article/details/169449873</guid><author>gitblog_00326</author><pubDate>Thu, 29 Oct 2026 12:00:05 +0800</pubDate><description><![CDATA[下课前，小王在图书馆掏出手机打开 Pydroid 3，写几行斐波那契求值，点运行，几秒后看到结果。「Pydroid 3 及相关工具包」就是它背后的安卓 Python IDE 加一组插件，让手机有了能用的 Python 开发环境。

## 📦 项目速览

一个社区维护的资源包：IDE、库管理插件、第三方应用市场三件套，把"在手机上装 Python IDE"变成三步。

| 项目 | 信息 |
| ]]></description><category></category></item><item><title><![CDATA[拆解 Nemotron-Labs-Unified-ASR-0.6b 模型架构：FastConformer-RNNT 如何实现离线/流式一体化联合训练]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/169446547</link><guid>https://blog.csdn.net/gitblog_00326/article/details/169446547</guid><author>gitblog_00326</author><pubDate>Thu, 29 Oct 2026 11:06:46 +0800</pubDate><description><![CDATA[**Nemotron-Labs-Unified-ASR-0.6b** 是 NVIDIA 推出的多语言**统一 ASR（语音识别）模型**：它基于 **FastConformer-RNNT** 架构，在**同一个模型**里同时完成**离线识别**与**流式识别**的联合训练，覆盖 **25 种欧洲语言**，流式推理最低算法延迟仅 **160ms**。本文用通俗的方式拆解它的整体架构、训练技巧与关键参]]></description><category></category></item><item><title><![CDATA[什么是DSpark推测解码？MiniCPM-OCR-1.0-DSpark-GGUF加速OCR的终极原理剖析]]></title><link>https://blog.csdn.net/gitblog_00326/article/details/169445516</link><guid>https://blog.csdn.net/gitblog_00326/article/details/169445516</guid><author>gitblog_00326</author><pubDate>Thu, 29 Oct 2026 10:56:36 +0800</pubDate><description><![CDATA[本仓库 [MiniCPM-OCR-1.0-DSpark-gguf](https://link.gitcode.com/i/441d1b670cd225133b0abca72c46771f) 提供了 MiniCPM-OCR 1.0 的 DSpark 草稿模型（draft head）的 GGUF 版本，用于在 llama.cpp 中启用推测解码（speculative decoding），显著加速 O]]></description><category></category></item></channel></rss>