最新

这是一个完全本地化的检索增强生成（RAG）实现，用于查询25年瑞士图文电视新闻（约50万篇德语文章）——基于Deepmind最新的Gemma模型。 为什么？ 我认为这是一个很酷的数据集（短/高密度新闻摘要），可以用来测试一些本地RAG方法。 Gemma 4 提供了令人印象深刻的结果，但可能还需要在系统提示上进行一些调整。

如果这地方能变得更现代化就好了，你说呢？

在朋友聚会上，有人提到想把已故的父亲加到一张全家福里。我原以为这很简单——现代图像模型功能强大，只要上传两张照片，让AI合并就行了。她说她试过了，但结果很奇怪，而且不稳定，她也不知道该怎么描述她想要的效果。 我回家后自己试了试。用写得好的提示词和两张好照片，确实可以。但现实中的应用场景并非都是两张好照片——而是一张现代的全家福，加上一张破损的旧肖像，或者两张来自不同年代的旧照片。这时候问题就来了。 我研究了现有的工具。大多数都展示了在干净、光线充足的现代照片之间的合并效果。没有人解决难题：不同年代的照片、受损的素材、不同的姿势、不同的正式程度。 我原以为这只是个周末项目——一个系统提示词就搞定了。经过200多次测试迭代后，我意识到要获得稳定的结果，需要的远不止提示词工程。主要挑战在于： AI在合并过程中会微妙地改变面部特征。结果看起来“相似”，但不是同一个人。对于试图添加已故亲人的人来说，这完全是失败。 姿势和比例需要匹配。如果一群人坐在草地上，而添加的人却像个巨人一样站着，那显然是假的。 参考照片中的休闲配饰会破坏正式场景——比如在婚礼上戴在头上的太阳镜，或者在典礼上穿的运动服。 旧照片分辨率低，有损坏，而且没有颜色。同时进行合并、修复和着色会使一切变得更难。 它支持头部特写、半身照和全身参考照片。旧照片和受损照片也可以使用——并可选着色和修复。 目前还是MVP版本。每天免费使用一次，无需登录。 [https://animateoldphotos.org/add-loved-one-to-photo](https://animateoldphotos.org/add-loved-one-to-photo) 很想听听哪些边缘案例会使它失效。

我在三星 Galaxy Watch 4 Classic (armeabi-v7a, Mali G68) 上运行 llama.cpp 时，注意到 Vulkan 后端拒绝了每一个量化的 MUL_MAT 操作，尽管它报告“33/33 层已卸载到 GPU”。 根本原因：在 llama-model-loader.cpp 的 create_tensor() 中，张量步幅计算中缺少了块大小除法。错误的步幅导致 ggml_nbytes() 溢出，在 32 位系统上超过了 max_buffer_size，因为 size_t 是 32 位的。 在 64 位设备上，溢出被静默屏蔽——数值错误但仍在 GPU 内存限制内，所以没有人注意到。这个 bug 可能已经存在多年了。 修复和上下文：https://github.com/Perinban/llama.cpp/tree/axon-dev