最新

我厌倦了事后调试 VAST 问题，所以我构建了 vastlint。<p>VAST XML 是视频广告在网络和电视上投放的方式。这是一个有 20 年历史的格式，有 200 页的规范，而且标签错误非常常见。大多数错误是在质量保证 (QA) 或广告活动结束后才被发现，而不是在编写代码时。美国的视频广告市场每年约 300 亿美元，其中很多资金都因为错误而流失，而这些错误其实很容易避免。<p>该 VS Code 扩展在您键入时，会在有问题的标签上显示波浪线，悬停时会显示错误原因和修复方法，还有一个“问题”面板，显示文件和行号。它有 108 条规则，涵盖了从 2.0 到 4.3 的整个 IAB VAST 规范。<p>它同时在 VS Code Marketplace 和 Open VSX 上，因此可以在 VS Code、Cursor、Windsurf、Kiro、VSCodium、Gitpod 和 Theia 中使用。验证通过 WASM 在本地运行，无需网络调用。<p>GitHub: <a href="https:&#x2F;&#x2F;github.com&#x2F;aleksUIX&#x2F;vastlint" rel="nofollow">https:&#x2F;&#x2F;github.com&#x2F;aleksUIX&#x2F;vastlint</a> VS Code Marketplace: <a href="https:&#x2F;&#x2F;marketplace.visualstudio.com&#x2F;items?itemName=aleksUIX.vastlint" rel="nofollow">https:&#x2F;&#x2F;marketplace.visualstudio.com&#x2F;items?itemName=aleksUIX...</a> Open VSX: <a href="https:&#x2F;&#x2F;open-vsx.org&#x2F;extension&#x2F;aleksUIX&#x2F;vastlint" rel="nofollow">https:&#x2F;&#x2F;open-vsx.org&#x2F;extension&#x2F;aleksUIX&#x2F;vastlint</a>

每次需要上线一个 AI 功能时，我在工作上都会遇到同样的难题。原本看起来只需要一周就能完成的工作，却变成了选择模型、搭建向量数据库、管理嵌入、连接聊天记录、处理重试——这些都不是真正的功能开发。 所以我创建了 Modular。你只需注册一个返回应用数据的函数，然后调用 ai.run() 来实现一次性功能，或调用 ai.chat() 来进行有状态的对话。其余的一切——上下文管理、嵌入、会话历史、模型路由、重试——都由 Modular 负责处理。 从一开始就原生支持 MCP。兼容 Claude、GPT-4o 和 Gemini。 目前还处于早期阶段——在构建完整的 SDK 之前，正在收集反馈。很想知道其他人是否也遇到过同样的难题，或者你是否认为我解决错了问题。

我将微软的 TRELLIS.2（40 亿参数的图像到 3D 模型）移植到 Apple Silicon 上，通过 PyTorch MPS 运行。 原版需要 CUDA，并使用 flash_attn、nvdiffrast 和自定义稀疏卷积内核：这些在 Mac 上都无法运行。 我用纯 PyTorch 替代了 CUDA 专属的运算：一个 gather-scatter 稀疏 3D 卷积，用于稀疏 Transformer 的 SDPA 注意力机制，以及一个基于 Python 的网格提取，替代了 CUDA 的哈希映射操作。 总共改动了 9 个文件，大约几百行代码。 在 M4 Pro (24GB) 上，从单张照片生成约 40 万个顶点网格，耗时约 3.5 分钟。虽然不如 H100 快（只需几秒钟），但它可以在离线状态下运行，无需依赖云端。 [https://github.com/shivampkumar/trellis-mac](https://github.com/shivampkumar/trellis-mac)