标题: 算了一下，我每天至少要用这么多Gemini 3 Token
作者: #Mozi
板块: #开发调优
编号: 1234358
帖子: https://linux.do/t/topic/1234358
时间: 2025-11-29 02:45:08
摘要:

AMC项目源码占275K token，每天要用Gemini 3全局分析上百次。

Dual AI Chat，自主协作需要大量调用
旧项目翻新，每次消耗几百K
大量GitHub项目，我都直接导入ZIP分析整个项目
视频文件导入分析每次消耗几百K
PDF文件分析消耗大量token
Gemini API的搜索工具，一次要消耗几十到上百K
平时模型的能力测试算是消耗token最少的
每天消耗至少8000K token，按照官方价格大概 $348 美元

标题: 免费观影平台(第二弹)，分享给各位佬友使用
作者: #李太白
板块: #资源荟萃
编号: 1234390
帖子: https://linux.do/t/topic/1234390
时间: 2025-11-29 04:00:00
摘要:

半年前跟着大佬教程搭建了开源影视libreTV，现在依然可以使用。

https://linux.do/t/topic/728758

最近使用ai 模仿奈飞搓了个影视网站，
清爽干净，没有乱七八糟的广告，佬友慢慢享用。

标题: 尝试修了下 Bilibili-Old。一个能够恢复旧版哔哩哔哩页面的 脚本/扩展
作者: #黑猫警长1000000000
板块: #开发调优
编号: 1234413
帖子: https://linux.do/t/topic/1234413
时间: 2025-11-29 05:16:08
摘要:

只修了下面内容

视频流 CDN 替换
支持一些番剧的【智能修复】画质
bangumi/play/ep 页面的【点评】


hmjz100/Bilibili-Old-Build: [实验]恢复旧版哔哩哔哩页面，为了那些念旧的人。
暂时没有 Release，构建后的 脚本 / 扩展 请前往 Actions 获取

标题: 预制大脑『转』
作者: #stevessr
板块: #前沿快讯
编号: 1234426
帖子: https://linux.do/t/topic/1234426
时间: 2025-11-29 06:19:48
摘要:

News – 24 Nov 25
  

  
    

Evidence suggests early developing human brains are preconfigured with...

  Assistant Professor of Biomolecular Engineering Tal Sharf's lab used organoids to make fundamental discoveries about human brain development.

  
    Est. reading time: 5 minutes
  

  

  
    
    
  

  



证据表明，早期发育的人类大脑预先配置了理解世界的指令


通过数十年的神经科学研究，社区发现神经元的放电模式并非随机。相反，大脑有一个“默认模式”——一个用于释放神经元的基本结构，随着大脑处理独特信号如嗅觉或味觉，这种结构变得更加具体。这一背景模式勾勒出身体和大脑可能产生的感官反应范围。

https://www.nature.com/articles/s41593-025-02111-0

[!abstract]
神经元放电序列被认为是大脑中信息和广播的构建模块。然而，这些序列在神经发育过程中何时出现仍不明确。我们展示了结构化放电序列出现在人类和小鼠大脑类器官的自发活动中，包括无引导和前脑身份导向，以及体外新生鼠鼠皮层切片。我们在人类和小鼠脑类器官及早期出生后小鼠体感皮层中观察到时间刚性和灵活的放电模式，但在解离的初级皮层文化中则无此现象。这些结果表明，时间序列并非以经验依赖的方式产生，而是受神经发育过程中建立的预设架构所限制。通过展示神经放放模式的发育重现，这些发现凸显了脑类器官作为神经回路组装模型的潜力。

标题: Z-Image-Turbo 本地部署折腾
作者: #合本丶
板块: #开发调优
编号: 1234434
帖子: https://linux.do/t/topic/1234434
时间: 2025-11-29 06:54:47
摘要:

起初也就是想尝尝鲜，直接拉取了 Z-Image-Turbo 的原始版本。结果本体就有 30G 左右，官方推荐 BF16 精度 ，至少得 16G 显存 才能顺畅跑起来
我手里只有这台 RTX 4060 Laptop (8G)，跑了一下结果：

跑图实测：仅仅生成一张 768p 的图片。
耗时：居然用了 6 分半钟！
这速度基本没法玩，完全是在用系统内存硬磨。

实在受不了这个速度，我去咨询了一下 AI，才发现原来 Civitai（C站）上早就有人发了 FP8 精度版本 和 Q版量化模型。

果断换路：直接下载了 FP8 版本，体积瞬间从 30G 瘦身到 6G 左右。
部署门槛：这个版本不能直接裸跑，得丢进 ComfyUI 或者 SD (Stable Diffusion) 环境里才行。

为了省事，也是为了稳定，我用了 B 站 秋叶 (aaaki) 大佬的 ComfyUI 整合包。经过一番折腾，终于凑齐了运行 Z-Image-Turbo FP8 所需的“三件套”：

主模型：Z-Image-Turbo (FP8)
文本理解：Qwen-4b (用于处理Prompt)
辅助模型：配套的 Flux VAE

搭建好工作流 (Workflow) 后，8g显存实际上机测试：




测试项目
分辨率
耗时
显存/状态
评价




BF16 原版
768p
6分30秒
 显存溢出，借用内存
没法用


FP8 优化版
768p
15秒
 8G 显存稳吃
起飞！


FP8 优化版
2K
1分30秒
 爆显存 (Shared Memory)
勉强能跑



 体验总结：
出图效果非常不错，NSFW 内容解锁丝滑，且肉眼看画质和 BF16 原版 几乎无差别，但速度提升了整整 26倍！
既然跑通了，就在本地搞点更有意思的。
搓了一个 FastAPI 服务，把这个 ComfyUI 的工作流封装了起来，并且适配了 OpenAI API 格式。
这样一来，配合写的一个简易测试页面（UI），现在可以直接像调用 ChatGPT 一样调用这个画图模型了，体验拉满
FastAPI