返回首页
一周热榜
大家好，几个月前，在从一个由Clade生成的错误中恢复过来后，我在想：“如果生产数据库的写入操作可以轻松回滚，那该多好啊。”我整理了一些东西：这是一个包含两个容器的部署和一个命令行工具。它距离生产环境的准备还很远，所以请多多包涵。欢迎所有反馈！<p>具体内容请查看： <a href="https://eterdb.com/tech" rel="nofollow">https://eterdb.com/tech</a><p>GitHub链接： <a href="https://github.com/eterdb/eterdb" rel="nofollow">https://github.com/eterdb/eterdb</a>
我实在无法理解，DigitalOcean怎么会负担不起每月50美元的GNOME和Flatpak赞助，却能给Omarchy提供300万美元的资金。[0]<p>不仅如此，DigitalOcean还取消了他们每月50美元的GNOME和Flatpak赞助。<p>为了让这个问题更清晰，GNOME和Flatpak要花5000年才能达到DigitalOcean给Omarchy的300万美元的数额。<p>这到底有什么道理呢？<p>[0] https://social.treehouse.systems/@barthalion/117241534134006167
这个项目的起源是我作为一名偶尔参加农贸市场的顾客，错误地记忆了早熟西红柿的开始日期。具有讽刺意味的是，我至今仍未实现这个目标，因为我无法在网上找到合适的、具有品种级别细节的数据来源。我有些担心会有人问“你为什么不查一下X？”并发现有某个完美的本地品种数据源，但那样的话真的算是最好的情况。
这个海报可以根据作物进行定制，图片会根据启发式算法重新定位。只有两个地区，旧金山和纽约，每个地区的数据来源截然不同。有关方法论，请参见<a href="https://vertumnus.fyi/about/sources" rel="nofollow">https://vertumnus.fyi/about/sources</a>。
静态海报并不是一个适合年度变化的日程的最佳形式，而整个项目只是一个不太严肃的副业。有关更多信息，请参见<a href="https://vertumnus.fyi/about" rel="nofollow">https://vertumnus.fyi/about</a>。
该项目是在2026年7月20日至9月2日的46天内，通过一次731个提示的Claude Opus 5会话完成的，历时22天。我已将整个记录发布，方便搜索并按章节组织，网址为<a href="https://vertumnus.fyi/about/transcript" rel="nofollow">https://vertumnus.fyi/about/transcript</a>。关于Claude擅长的内容及其反复出现的代码质量问题的总结，请参见<a href="https://vertumnus.fyi/about/ai" rel="nofollow">https://vertumnus.fyi/about/ai</a>。
大家好，我是来自Feyn的Shreyash。我们帮助公司根据他们的数据构建定制模型。
今天，我们发布了MultiMatte，这是一种可以通过文字进行背景去除的模型。只需在您的图像中命名一个物体，MultiMatte就会保留该物体，并去除其他所有内容。
欢迎在您的图像上试用： [https://usefeyn.com/multimatte](https://usefeyn.com/multimatte)。
演示视频：[https://youtu.be/XZ5BJWAkOjs](https://youtu.be/XZ5BJWAkOjs)
MultiMatte是开源的。您可以使用我们的NoBg库进行构建：[https://github.com/feyninc/nobg](https://github.com/feyninc/nobg)。模型卡片在这里：[https://hf.co/feyninc/multimatte](https://hf.co/feyninc/multimatte)。
MultiMatte是我们背景去除模型的第二个版本。第一个版本是FeyNoBg，我们在这里发布：[https://news.ycombinator.com/item?id=49072462](https://news.ycombinator.com/item?id=49072462)。
最大的升级是提示能力。大多数模型在切割背景时会保留所有前景元素，而MultiMatte允许您提示希望保留的确切物体，并去除其他所有内容。例如，如果您有一张包含狗和碗的图像，您可以要求MultiMatte只保留狗。
MultiMatte基于Meta的SAM 3，这是一个可以通过概念提示进行检测的模型，已经能够理解短语。我们最大的改进在于遮罩。与将每个像素分类为在物体内或外的二进制遮罩不同，MultiMatte使用阿尔法遮罩为每个像素分配一个不透明度值，以对应于物体。这使我们能够更好地表示头发、毛发、运动模糊和其他模糊边界的情况。
在我们所有的测量基准中，MultiMatte在性能上相较于SAM 3有了显著提升。在DIS5K上，S-measure从0.674上升到0.908（相对增益34.6%），在DUT-OMRON上从0.792上升到0.901（增益13.7%）。
我们的博客涵盖了更多的训练细节和结果：[https://usefeyn.com/blog/multimatte](https://usefeyn.com/blog/multimatte)。
欢迎提出任何问题！