最新

我厌倦了事后调试VAST问题，因此我开发了vastlint。 VAST XML是视频广告在网络和电视上投放的方式。这是一种已有20年历史的格式，规格文档长达200页，且标签错误非常常见。大多数错误是在质量保证（QA）或活动结束后被发现，而不是在编写代码时。美国的视频广告市场每年约为300亿美元，其中很多损失是由于一些实际上很容易避免的错误造成的。 这个VS Code扩展在你输入时会对有问题的标签显示波浪线，悬停时会出现提示，告诉你哪里出错以及如何修复，同时还提供一个问题面板，显示文件和行号。它涵盖了从2.0到4.3的完整IAB VAST规范，共有108条规则。 该扩展在VS Code Marketplace和Open VSX上都有提供，因此可以在VS Code、Cursor、Windsurf、Kiro、VSCodium、Gitpod和Theia中使用。验证过程在本地通过WASM运行，无需网络调用。 GitHub: [https://github.com/aleksUIX/vastlint](https://github.com/aleksUIX/vastlint) VS Code Marketplace: [https://marketplace.visualstudio.com/items?itemName=aleksUIX.vastlint](https://marketplace.visualstudio.com/items?itemName=aleksUIX.vastlint) Open VSX: [https://open-vsx.org/extension/aleksUIX/vastlint](https://open-vsx.org/extension/aleksUIX/vastlint)

我在工作中每次需要推出一个人工智能功能时，总是碰到同样的障碍。看似一周的工作，实际上却变成了选择模型、设置向量数据库、管理嵌入、连接聊天记录、处理重试——这些都不是实际的功能。因此，我创建了Modular。你只需注册一个返回应用数据的函数，然后通过ai.run()调用一次性功能，或通过ai.chat()进行状态保持的对话。其他所有内容——上下文管理、嵌入、会话历史、模型路由、重试——都由系统处理。从第一天起就是MCP原生的。兼容Claude、GPT-4o和Gemini。现在还处于早期阶段——在构建完整的SDK之前收集反馈。如果其他人也遇到过同样的障碍，或者你认为我解决的问题不对，我很想听听你的想法。

我将微软的TRELLIS.2（4B参数图像到3D模型）移植到了Apple Silicon上，通过PyTorch MPS运行。原版需要CUDA以及flash_attn、nvdiffrast和自定义稀疏卷积内核，而这些在Mac上都无法使用。 我用纯PyTorch的替代方案替换了CUDA特定的操作：包括一个聚集-散布的稀疏3D卷积、用于稀疏变换器的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。总的修改涉及大约几百行代码，分布在9个文件中。 在M4 Pro（24GB）上，从单张照片生成约40万个顶点网格，耗时大约3.5分钟。虽然速度不及H100（只需几秒），但它可以离线运行，无需依赖云服务。 <a href="https://github.com/shivampkumar/trellis-mac" rel="nofollow">https://github.com/shivampkumar/trellis-mac</a>