Fetch+github 总结成的Markdown文档： TinyLLM项目总结

最新推荐文章于 2025-12-05 17:21:12 发布
原创 最新推荐文章于 2025-12-05 17:21:12 发布 · 908 阅读 · 28 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#llama #ai #AI写作

TinyLLM项目总结

该项目是通过Claude的Fetch + Github功能生成的文档，目的是为了进行质量测试！欢迎大家交流！

项目概述

TinyLLM是一个轻量级、可定制的框架，专门用于在自定义数据集上训练、微调和部署小规模大语言模型（LLMs）。该项目针对资源受限环境进行了优化，特别适合边缘设备和物联网平台的应用场景。

主要特点

  1. 参数规模: 模型参数量在30M-120M之间
  2. 目标应用: 专注于嵌入式传感应用场景，如手势检测、机器人定位和呼吸率检测
  3. 性能表现: 在特定任务上可以达到与大型模型相当的准确率
  4. 部署优势: 适合在资源受限的边缘平台上运行

技术架构与实现

1. 数据集准备

  • 支持自定义CSV格式数据集
  • 支持HuggingFace托管的数据集
  • 默认处理Fineweb数据集（100亿token变体）和SHL物联网传感器数据集
  • 提供数据集分割工具，支持训练集和验证集的自定义比例划分

2. 预训练流程

  • 基于改进的GPT-2架构
  • 支持多种参数规模：30M、51M、82M、101M、124M
  • 支持断点续训和多轮训练
  • 提供HuggingFace兼容格式的模型导出功能

3. 微调功能

  • 支持多种模型架构（GPT2、LLaMA、Phi）
  • 提供参数配置文件管理
  • 自动生成训练和评估损失曲线
  • 支持测试数据的直接查看和分析

4. 部署支持

  • 支持HuggingFace transformers库直接推理
  • 提供GGUF格式转换功能，适配边缘设备
  • 支持模型量化优化
  • 集成llama.cpp推理引擎

安装要求

  1. 环境依赖

    • llm.c（需要GPU支持）
    • llama.cpp
    • Python相关依赖包
    • PyTorch

  2. 硬件要求

    • 支持GPU加速
    • 适配边缘计算设备（如树莓派、Orange Pi等）

实验结果

手势识别任务

模型参数量(十亿)模型大小(GiB)准确率(%)
Tiny Model0.100.27798.44
Tiny Model0.120.32993.02
Microsoft Phi 33.827.2100
Meta Llama 38.031593

机器人定位任务

模型参数量(十亿)模型大小(GiB)准确率(%)
Tiny Model0.080.23198.57
Tiny Model0.120.329100
Microsoft Phi 33.827.2100
Meta Llama 38.0315100

主要优势

  1. 模型大小与性能平衡

    • 显著smaller的模型大小
    • 在特定任务上可达到或超越大型模型的性能

  2. 实用性

    • 适合边缘计算场景
    • 降低了部署和运行成本
    • 减少了网络依赖

  3. 隐私保护

    • 支持本地推理
    • 避免敏感数据传输到第三方服务器

使用的外部数据集

  1. Fineweb
  2. SHL（传感器数据集）
  3. ExtraSensory

相关资源

  1. 官方网站: TinyLLM.org
  2. 论文: ArXiv/2412.15304
  3. 预训练模型: 可在HuggingFace获取

项目状态

  • 当前版本：v0.1
  • 最近更新：2024-12-21
  • 许可证：Apache-2.0

致谢

项目基于以下开源工具构建：

  • llm.c
  • llama.cpp

未来展望

  1. 更多数据集支持

    • 当前提供3个内部处理的数据集（手势检测、定位和呼吸检测）
    • 计划添加更多数据集支持

  2. 性能优化

    • 持续改进模型量化效果
    • 优化边缘设备部署性能

  3. 社区贡献

    • 欢迎社区贡献预训练模型
    • 支持更多应用场景的扩展
TinyLLM: Learning a Small Student from Multiple Large Language Models
c_cpp_csharp的专栏
03-10 281
将推理能力从更强的大型语言模型（LLM）转移到更小的模型是非常有吸引力的，因为更小的LLM更灵活，部署成本更低。在现有的解决方案中，知识提炼因其卓越的效率和泛化能力而脱颖而出。然而，现有的方法存在一些缺陷，包括知识多样性有限和缺乏丰富的上下文信息。为了解决这些问题并促进紧凑语言模型的学习，我们提出了TinyLLM，这是一种新的知识提取范式，用于从多个大型教师LLM中学习一个小型学生LLM。特别是，我们鼓励LLM学生不仅要生成正确的答案，还要理解这些答案背后的原理。
5.8 GitHub项目对比终极指南：5大维度AI分析+可视化报告一键生成
yonggeit的博客
04-16 122
GitHub 项目对比, 多维度分析, 提示工程优化, 结构化输出, 数据可视化。
TinyLLM：在消费级硬件上运行大型语言模型的利器
gitblog_01001的博客
09-13 905
TinyLLM：在消费级硬件上运行大型语言模型的利器 项目介绍 TinyLLM 是一个旨在将大型语言模型（LLM）部署在消费级硬件上的开源项目。尽管名字中带有“Tiny”，但它却能在有限的资源下提供令人满意的性能。该项目的目标是帮助用户在本地构建一个类似于 ChatGPT 的聊天机器人，并提供一个易于使用的 Web 界面。通过 TinyLLM，用户可以在自己的硬件上运行多种 LLM 模型，无需依赖...
TinyLLM创造一个专业微型大模型
ejinxian的专栏
09-27 814
TinyLlama-1.1B是新加坡科技设计大学开发的轻量级开源语言模型，仅1.1B参数却通过3万亿token训练实现高性能。它采用Transformer架构，支持2048token上下文，量化后仅550MB，可在移动端和边缘设备运行。在常识推理、代码生成等任务中表现优于同类模型，兼容主流AI工具链并允许商用。适用于物联网、离线助手等场景，GitHub星标超4.7K，展现了"小而强"的AI模型潜力。
Tiny-Universe中的TinyLLM：手搓轻量级大语言模型
gitblog_00347的博客
08-18 356
还在为训练大语言模型需要昂贵的硬件资源而烦恼吗？还在为复杂的模型架构和训练流程而头疼吗？本文为你带来Tiny-Universe项目中的TinyLLM模块，一个仅需2GB显存就能训练的大语言模型实现方案！ 通过阅读本文，你将获得： - ???? 从零开始构建轻量级大语言模型的完整流程 - ???? 仅使用Numpy和PyTorch的简洁实现方案 - ???? 理解Transformer核心组件的工作原理 - ...
【亲测免费】 TinyLLM开源项目快速入门指南
gitblog_00231的博客
09-11 1002
TinyLLM开源项目快速入门指南 TinyLLM是一个轻量级框架，专为大规模开发、调试和监控基于大量语言模型（LLM）和代理的应用程序设计。本指南旨在帮助您快速理解项目结构，熟悉启动与配置步骤，以便高效地使用此框架。 1. 项目目录结构及介绍 TinyLLM的项目目录布局精心设计以支持清晰的开发流程和易于维护。以下是关键目录及其简要说明： github/workflows：包含GitHub A...
Typora+PicGo+Github解决markdown文件图片自动上传问题
hawkingliu的博客
02-23 531
背景 我写博文喜欢用markdown，所写即所得，不需要额外花时间调整格式，最近又发现了Typora这一利器，爱不释手。但还有一个麻烦的地方没有解决：图片上传。以前将markdown复制到博客，图片都还要自己手工再上传一次，太麻烦。现在找到了PicGo + Github可以几乎完美的解决这个问题。 说几乎完美是因为它的确有一个缺点，就是Github的图层在国内支持并不好，会出现加载不出来的问题，需要用VPN才能正常加载。但是这个问题只在github中浏览博文存在，如果已经复制到其他博客网站并且显示正常，那以
Markdown笔记之Typora + PicGo +Github：图片自动上传到图床！
qq_42932308的博客
04-26 879
Markdown笔记之Typora + PicGo +Github：图片自动上传到图床！ 发表时间：2020年4月24日 by 小灰啾 相信如果你使用过Typora一定会为Typora的简洁而又强大编辑功能赞不绝口。「它的功能之强大、设计之冷静、体验之美妙、理念之先进」，相信这句话有点溢美之词但是也说明了Typora在众多Markdown编辑器中收到广大码农的喜爱。下面就来探究一下Typora...
GitHub-contributions:获取有关您在GitHub上已贡献的所有项目的详细信息
05-18
获取有关您在GitHub上已贡献的所有项目的详细信息。 设置 克隆存储库，并将其放入cd 。 创建一个Python 3虚拟环境（在此处命名为venv ）： virtualenv --python=/usr/bin/python3 venv 激活虚拟环境： source ...
github-cheat-sheet：Git和GitHub的出色功能列表
01-31
7. **GitHub Pages**：GitHub Pages允许用户免费托管静态网站，是个人博客、项目文档或在线简历的理想选择。 8. **GitHub Issues**：这是一个项目管理工具，用于跟踪待办事项、错误和讨论。可以通过标签（labels）...
tiny-llm - 一周实现LLM服务系统
AI工程化、开源分享、文档翻译、代码笔记
09-27 394
一、关于 tiny-llm 1、项目概览 2、相关链接资源 3、功能特性 1、基础组件实现 2、推理系统优化 二、开发路线图
完全从0开始，仅用8元+9h！即可训练出Tiny LLM全流程教程，包含Reasoning、MoE等
zenRRan的博客
05-16 1101
✨ --极简整合自匠数科技SFT数据+Qwen2.5蒸馏数据（用于快速训练Zero模型），每条数据字符最大长度为512（因此训练时设置max_seq_len=512）PS:因为我们训练参数是非常小的，本次训练更加关注于整个大模型训练过程，所以对性能咱们暂时不抱有太大预期，最后我们会测试模型的效果怎么样。我是minimind...），推荐用于lora训练（亦可用于全参SFT，勿被名字局限）至此我们大功告成，可以看到训练的模型可以回答问题，不过测试一些案例，发现比较简短，这个和模型参数还是有很大关系的。
tiny-llm：构建高效LLM模型的底层服务
gitblog_00773的博客
04-23 955
tiny-llm 是一个仍在开发中的项目，旨在为系统工程师提供一个使用 MLX（一个基于数组/矩阵操作的库）构建大型语言模型（LLM）服务的教程。项目的核心是利用 MLX 提供的低级别数组操作API，从而允许开发者从头开始构建模型服务架构，并深入探索优化策略。 ## 项目技术分析 tiny-llm 的代码库几乎完全基于 MLX 的 API，而不是使用高级的神经网络API。这种设计选择允许开发者...
TinyLLM：边缘设备上的微型大模型部署与优化实战
lamehsl的专栏
11-27 943
边缘AI面临大模型部署的"不可能三角"挑战：性能、速度和资源难以兼顾。TinyLLM创新解决方案通过模型压缩（分层量化至800MB）、硬件适配（ARM/RISC-V优化）和推理优化（算子融合等），在边缘设备上实现92%准确率、<100ms延迟和<1W功耗。该技术已成功应用于智能手机、工业网关等设备，相比云端方案部署成本降低90%。未来将向多模态、自动优化方向发展，为国产AI生态提供"换道超车"机遇，特别适合工业质检、智能安防等实时场景。
LLaMA Factory训练可视化管理：Loss曲线解析与性能优化
最新发布
本人任职于安超云技术架构部，拥有十余年云计算与AI经验。专注AI基础设施、分布式集群、高可用架构、虚拟化、存储、网络及数据库等领域。博客内容以学习笔记为主，力求准确，但个人能力所限，难免疏误。非常欢迎交流指正，期待与您共同探讨技术
12-05 588
当基础功能无法满足需求时，LLaMA Factory提供了强大的扩展能力。使用自定义Callback进行深度监控你可以创建自定义的Callback来跟踪任何你感兴趣的指标。# 计算总梯度范数# 记录并判断if total_norm > 10.0: # 阈值print(f"警告：梯度爆炸！
LLaMA-Factory 模型评估理论与实战：基于 Ubuntu 22.04 的系统化指南
本人任职于安超云技术架构部，拥有十余年云计算与AI经验。专注AI基础设施、分布式集群、高可用架构、虚拟化、存储、网络及数据库等领域。博客内容以学习笔记为主，力求准确，但个人能力所限，难免疏误。非常欢迎交流指正，期待与您共同探讨技术
12-05 607
评估数据通常为JSON格式，需要包含指令（Instruction）、输入（Input）和期望输出（Output）。以下是一个情感分析数据的例子。确保系统已安装Docker、Docker Compose以及NVIDIA Container Toolkit（用于GPU支持）。根据你的任务类型选择合适的评估指标（以下是两种主流的部署方式，Docker方式能最大程度避免环境冲突，推荐使用。评估流程遵循“数据准备 → 配置 → 执行 → 分析”的步骤。在开始实践前，理解评估指标背后的逻辑至关重要。
基于FSDP的LLaMA-Factory大模型高效训练指南
本人任职于安超云技术架构部，拥有十余年云计算与AI经验。专注AI基础设施、分布式集群、高可用架构、虚拟化、存储、网络及数据库等领域。博客内容以学习笔记为主，力求准确，但个人能力所限，难免疏误。非常欢迎交流指正，期待与您共同探讨技术
12-05 532
LLaMA-Factory结合FSDP为训练大规模语言模型提供了强大的解决方案。通过参数分片、混合精度训练和智能容错机制，它有效解决了大模型训练中的显存瓶颈和稳定性问题。对于需要在有限硬件资源上训练大模型的开发者来说，掌握FSDP在LLaMA-Factory中的应用是至关重要的技能。
请你编写一个程序，将github代码仓库：https://github.com/NVIDIA/nccl的所有tags对应的commit log汇总起来，并总结成一个markdown文档，其中每个tag使用一个H1标题，每个标题下面的内容为对应tag的commit信息
03-26
<think>好的，用户想要提取GitHub仓库NVIDIA/nccl的所有tags及其对应的commit日志，并生成Markdown文档。首先，我需要考虑如何通过Git命令获取这些信息。 首先，我应该克隆仓库到本地，这样能访问所有的tags。用户可能没有本地副本，所以第一步是git clone仓库。但用户可能已经克隆过，是否需要先检查是否存在？不过为了通用性，还是建议先克隆。 接下来，获取所有tags。使用git tag命令可以列出所有tag，但默认是按字母顺序排列的，而NVIDIA/nccl的tags可能遵循版本号格式，比如v1.0.0，这时候按字母排序可能不正确。所以需要按提交时间排序。git tag --sort=-creatordate可以按创建时间倒序排列，这样最新的tag在最前面。或者使用git tag --sort=-v:refname来按版本号排序，不过需要确认tag的命名是否遵循语义化版本控制。 然后，对于每个tag，需要获取其对应的commit日志。可以使用git log tag名来获取，但如何提取tag之间的差异呢？比如，每个tag相对于前一个tag的提交记录。或者用户只需要每个tag对应的提交信息？可能需要明确需求。用户的问题中提到“对应的commit log”，可能是指该tag所指向的commit的日志，或者该tag创建时的提交信息。或者需要该tag与上一个tag之间的所有提交记录？ 假设用户需要每个tag所对应的commit信息，可能包括该tag的提交消息。但通常tag是关联到某个特定commit的，所以每个tag的commit log可能只是该commit本身的日志。但如果是annotated tag，可能会有自己的消息。需要区分两种情况。或者用户可能想要的是该tag指向的commit的详细信息，比如提交哈希、作者、日期、提交信息等。 接下来，生成Markdown文档的结构。每个tag作为一级标题，下面列出相关的commit记录。可能需要使用shell脚本或命令行工具来循环处理每个tag，获取信息并格式化输出。 另外，是否需要排除某些tags，比如旧的或测试版本？用户没有说明，所以假设需要所有tags。 可能的步骤： 1. 克隆仓库（如果尚未克隆） 2. 获取所有tags并按版本排序 3. 循环遍历每个tag，获取对应的commit日志 4. 将结果格式化为Markdown 在实现过程中，需要注意Git命令在不同环境下的兼容性，比如在Windows可能需要使用Git Bash或者调整命令。另外，处理大量tags时，脚本的效率也需要考虑。 现在，如何获取每个tag的commit日志？比如，可以使用git show <tag> --pretty=format:"%h - %an, %ar : %s" --no-patch来获取该tag指向的commit的简要信息。或者，如果需要更详细的信息，可以调整格式。 对于生成Markdown，每个tag作为一级标题（#），然后commit日志作为列表项。可能需要遍历tags，按顺序处理。 可能的脚本结构： ```bash git clone https://github.com/NVIDIA/nccl.git cd nccl git fetch --tags tags=$(git tag --sort=-v:refname) # 假设按版本号排序 for tag in $tags; do echo "# $tag" >> output.md git log $tag --pretty=format:"- %h - %s (%ad)" --date=short >> output.md done ``` 不过这可能有问题，因为git log默认会显示该tag之前的所有提交，而不仅仅是该tag对应的commit。例如，如果用户想获取该tag所指向的commit的日志，而不是该tag之后的所有提交，可能需要使用git show或者指定范围。或者用户可能想要的是该tag与上一个tag之间的提交记录，这时候需要使用类似git log previous_tag..current_tag的方式来获取差异。 这里可能需要明确用户的需求。比如，用户的问题描述是“所有tags的commit日志”，可能是指每个tag对应的commit的日志，或者是该tag所包含的所有提交。如果是后者，可能需要确定每个tag对应的commit范围。例如，假设tags是按版本顺序发布的，那么每个tag的commit范围是从上一个tag到当前tag之间的提交。 例如，对于tags列表中的每个tag，除了第一个，可以获取从上一个tag到当前tag之间的提交记录。但如何处理第一个tag？可能需要从初始提交开始。 这可能会比较复杂。因此，需要确认用户的具体需求。根据问题描述，用户可能只需要每个tag对应的commit信息，即该tag指向的commit的日志，而不是整个历史。比如，每个tag的创建者、日期、提交信息等。 因此，调整脚本，对每个tag使用git show或者git log来获取该tag指向的commit的详细信息。 例如： ```bash for tag in $tags; do echo "# $tag" >> output.md git show $tag --pretty=format:"- %h - %s (%ad)" --no-patch --date=short >> output.md done ``` 或者，使用git log -1 $tag来获取该tag对应的提交记录。 另外，需要注意，如果tag是annotated tag，git show会显示tag的信息，而git log则会显示tag指向的commit的信息。可能需要使用git log -1 $tag^{commit}来获取commit的信息，而不是tag本身的信息。 总之，需要确保获取的是commit的日志，而不是tag对象的日志。因此，正确的命令可能需要使用git log -1 $tag --pretty=format:"..."。 此外，生成Markdown时，需要确保格式正确，比如每个commit作为列表项，使用减号。 另外，用户可能需要将结果保存到文件中，所以需要重定向输出到.md文件。 总结步骤： 1. 克隆仓库 2. 进入仓库目录 3. 获取按版本排序的tags列表 4. 遍历每个tag，生成一级标题，并添加对应的commit日志 可能的完整脚本： ```bash git clone https://github.com/NVIDIA/nccl.git cd nccl git fetch --tags tags=$(git tag --sort=-v:refname) # 按版本号降序排列 output="nccl_tags_commit_log.md" echo "# NVIDIA/nccl Tags Commit Log" > $output echo "" >> $output for tag in $tags; do echo "Processing tag: $tag" echo "# $tag" >> $output git log -1 $tag --pretty=format:"- Commit: %h%n Author: %an%n Date: %ad%n Message: %s%n" --date=short >> $output echo "" >> $output done ``` 这个脚本会为每个tag生成一级标题，并显示该tag对应的commit的哈希、作者、日期和提交信息。这样生成的Markdown文档结构清晰。 但用户可能需要每个tag下的所有提交记录，而不仅仅是该tag指向的commit。这时候需要确定每个tag的范围。例如，对于每个tag，获取从上一个tag到当前tag之间的所有提交。这需要处理tags列表的顺序，并逐个比较。 例如，假设tags按顺序排列为v1.0.0, v1.1.0, v2.0.0，那么对于v1.1.0，其范围是v1.0.0..v1.1.0。但需要将tags按时间顺序排列，或者按提交顺序排列。 这可能更复杂，需要将tags按提交时间排序。可以使用git tag --sort=-creatordate或者--sort=creatordate来获取正确的顺序。 修改tags的获取方式： tags=$(git tag --sort=-creatordate) # 按创建时间倒序排列，最新的先处理 或者按提交时间排序： tags=$(git for-each-ref --sort=-creatordate --format '%(refname:short)' refs/tags) 然后，在循环中，对于每个tag，获取与前一个tag之间的提交： prev_tag="" for tag in $tags; do if [ -z "$prev_tag" ]; then range="$tag" else range="$prev_tag..$tag" fi git log $range --pretty=format:"- %h - %s (%ad)" --date=short >> $output prev_tag=$tag done 不过这样处理的话，第一个tag的范围可能有问题，因为第一个tag之前没有其他tag。所以第一个tag的提交范围是从初始提交到该tag。 但这样生成的Markdown结构需要每个tag下显示对应的提交记录。可能需要将tags按时间顺序正序排列，以便从旧到新处理。例如： tags=$(git tag --sort=creatordate) 然后，在循环中，对于每个tag，range是上一个tag到当前tag，这样每个部分包含该tag引入的更改。 不过，这需要更多的处理，包括处理第一个tag的情况。 这可能更符合用户的需求，即每个tag下的提交是该tag所包含的新更改。 但用户的问题描述没有明确说明这一点，所以可能需要进一步澄清。但根据用户的问题，可能只需要每个tag对应的commit日志，即该tag指向的commit的详细信息，而不是该tag与之前tag之间的所有提交。 因此，回到最初的方案，生成每个tag指向的commit的信息。 另外，用户提到“生成Markdown文档，其中每个tag作为一级标题，其下包含该tag相关的提交记录”。这里的“相关”可能指的是该tag对应的commit的信息，或者该tag创建时添加的注释（如果是annotated tag）。 如果用户需要的是annotated tag的消息，可以使用git tag -n显示tag的消息。例如： git tag -n --sort=-v:refname 这样可以得到每个tag的名称和注释。然后，对于每个tag，获取其注释以及对应的commit信息。 可能的调整： for tag in $tags; do echo "# $tag" >> $output # 获取tag的注释 tag_message=$(git tag -n --format="%(contents)" $tag) echo "## Tag Message" >> $output echo "$tag_message" >> $output # 获取对应的commit信息 commit_hash=$(git rev-list -n 1 $tag) echo "## Commit Information" >> $output git log -1 $commit_hash --pretty=format:"- Hash: %h%n- Author: %an%n- Date: %ad%n- Message: %s" --date=short >> $output echo "" >> $output done 这样可以同时获取tag的注释和对应的commit信息。但需要确认tag是否是annotated tag。对于轻量级tag，注释可能不存在。 因此，这个脚本可能需要处理两种情况。不过，对于大多数项目，重要的tags通常是annotated tags，带有注释。 综上，最终的脚本可能需要结合多种Git命令，以正确提取所需信息，并生成符合要求的Markdown文档。</think>### 提取NVIDIA/nccl仓库的tags与commit日志 要提取GitHub仓库 `NVIDIA/nccl` 的所有tags及其对应的commit日志并生成Markdown文档，可以通过以下步骤实现： #### 步骤1：克隆仓库 ```bash git clone https://github.com/NVIDIA/nccl.git cd nccl ``` #### 步骤2：获取所有tags并按版本排序 ```bash git fetch --tags tags=$(git tag --sort=-v:refname) # 按版本号降序排列 ``` #### 步骤3：生成Markdown文档 ```bash output="nccl_tags_commit_log.md" echo "# NVIDIA/nccl Tags and Commit Logs" > $output echo "" >> $output for tag in $tags; do # 提取tag对应的commit哈希和提交信息 commit_hash=$(git rev-list -n 1 $tag) commit_info=$(git log -1 $commit_hash --pretty=format:"- **Commit**: %h%n- **Author**: %an%n- **Date**: %ad%n- **Message**: %s" --date=short) # 写入Markdown echo "# $tag" >> $output echo "$commit_info" >> $output echo "" >> $output done ``` #### 示例输出片段 ```markdown # v2.18.3-1 - **Commit**: a1b2c3d - **Author**: John Doe - **Date**: 2024-01-01 - **Message**: Fix buffer overflow in collective operations # v2.17.1 - **Commit**: e4f5g6h - **Author**: Jane Smith - **Date**: 2023-12-15 - **Message**: Optimize latency for small message sizes ``` ### 关键点说明 1. **按版本号排序**：使用 `--sort=-v:refname` 确保tags按语义化版本降序排列。 2. **提取commit信息**：通过 `git rev-list` 和 `git log` 获取每个tag对应的提交详情。 3. **轻量级与注解tag兼容**：脚本同时支持轻量级tag和注解tag[^1]。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

会编程的加缪

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值