CLIproxyAPI

官網

一直以來，我都是通過購買 API KEY，將其掛到第三方客戶端（例如 Cherry Studio）來用 ChatGPT。但隨著使用量越來越大，「單點」式的 API 變得越來越不划算，高峰期常常超出 GPT Plus 的費用。

所以為了省錢，我決定去訂 ChatGPT Plus，好處是省錢了，但必須綁定官方的 Web 界面和 Desktop Client，功能與第三方客戶端相比還是差了些，例如數據匯出都有一些不方便的限制等。當然也有好處，比如對話紀錄可以綁賬號、不同電腦可以看到同樣的歷史記錄。不過，我仍然可以讓第三方 client 使用我內建的 GPT quote。今天無意間發現了一個除了 CC switch 外，竟然還有方法可以將 GPT Codex 轉成 API 給自己使用的第三方客戶端使用。沒細看 EULA，但 GPT Codex 可以給龍蝦用，這應該也沒違規吧？

剛剛試了下，GPT 5.6 三個模型可以在第三方 client 呼叫了。唯一缺點是慢，因為不能走 chat model。

全文連結

第一次 Vibe Coding 嚴重生產線事故

用 AI agent coding 真的要很小心。今天第一次遇到生產線嚴重事故。

我 paper 被要求進行 major revision。其中一個要求是我的 few-shot experiment 必須多用幾個不同的 seed 來選 few-shot example，所以我就讓 LLM inference pipeline 多跑幾個不同的 few-shot example。

然而，剛剛發現我的 pipeline 在指定的 few-shot 輸入檔不存在的時候，它只會跳 warning，然後自動切換成 zero-shot 繼續跑！ 

幸好我有看 console output 和 log 留好留滿的習慣，才發現了這個產線事故。我馬上 patch 掉程式碼，找不到關鍵 input 就該拋 exception 炸掉，然後看 log 刪掉、重跑所有受污染的實驗結果。

現在還在想怎樣能有效解決 code review 問題。AI 生成的程式碼量大管飽而且 coding style 跟我很不同，加上自己的 harness 部份改善但沒有根治這個問題，很多 bug 也無法一眼看出來。目前想到解決方案是請其他 AI 模型幫我掃描一遍，還有自己看用力一點，但這不是 100% 安全。

AI 時代 code review 好像也是普遍問題。再想想怎麼解。

全文連結

Cherry Studio

Github

好久沒發文了，來寫點廢文紀錄一下 XD

我最近 LLM client 改用了 CherryStudio，之前用的是 LobeHub。我習慣用 BYOK 自己的 key，再搭配一個第三方客戶端，就可以以很低的價格使用 大模型，而不必每個月固定支付月費，然後被綁在官方的固定介面上。

最近第三方的工具也越來越進步。我之前用的一款，好像是 NextChat 好像一開始還不支援螢幕貼圖和附件，所以要問 pdf 的數學還得自己慢慢打字，嚴重限制使用 AI 的效率。總之，我後來改用 LobeHub，但新版介面越來越花哨，還要綁雲端，整個介面用起來非常複雜，越來越難用。而真正讓我決定離開的原因是它新版 O3 Deep Research 功能壞掉了。我在 GitHub 上丟了一個 Issue，但結果沒人解，我也沒有時間自己處理。結果它就躺了很久，變成了 Inactive Issue，於是我決定換一款軟體。

後來找到這款 CherryStudio。該有的功能都有，也包括設定 Provider、上傳附件、傳螢幕抓圖、標記重要對話防止誤刪，備份匯出匯入等等。O3 Deep Research 也能用了。最近才發現一個新功能，就是 CherryStudio 其實可以改變資料夾的暫存位置，即我可以將資料夾指向 OneDrive。這樣一來，換電腦辦公的時候，Cherry Studio 的內容就能自動同步，包括我和 AI 的對話紀錄。這對我寫論文極度重要，因為我經常需要和 AI 討論文章的事情，這些紀錄不能隨便丟，而且需要能查的時候馬上可以查到，如果關鍵對話分散在 N 台 PC，要用遠端桌面去看關鍵討論在哪裡就極度不方便。CherryStudio 能將 OneDrive 設定為工作目錄就一口氣解掉了同步需求。目前應該會繼續用這款。

全文連結

龍蝦 OpenClaw 第一次使用成功！

 最近看 OpenClaw 非常熱門，一直想用一下。剛好一直有個痛點，就是 Stork App 的文章管理問題。StorkApp 可以根據預先定義關鍵字，每隔一段時間就把符合的論文 email 給我。然而，未曾想符合關鍵字且有 SCI 分數的文章可以很多，所以 email 非常頻繁，整理需大量時間，一直想有個 bot 每天自動整理相關 email 然後整理成報表，只要定時自動把多封 email 內全部文章標題、連結、期刊名合併成單一檔，然後 email 全部標已讀，就能節省大量時間體力。

當然，電腦交給具隨機性且權限全開的 bot 實在是可怕。安全起見，用 VMware Workstation Pro 切了 VM，給了 2GB 的記憶體和兩個 CPU core，VM 放在 NAT 後面，檔案系統跟 host 隔離，VM 內沒重要檔案，連重要網站的瀏覽器 cookie 都沒有，就讓 OpenClaw 在 VM 裡面開搞。此外，Google 我也只開 GMail IMAP 而不是整個 Google Workspace，IMAP 不給刪除 email 權限，撈信寫死 search filter 避免 bot 亂已讀或大量讀信爆 token。

結果 OpenClaw 使用出乎意料簡單。真正需要手動解決的問題只有安裝好系統。其他的使用問題，包括如何配置 OpenClaw ，都可以用自然語言問 bot 請 bot 搞定自己。我在與 bot 交流補充必要細節後，bot 就寫好了 email 整理的 python 腳本。後面讓程式自動排程，也不是我自己寫 cron，而是懶人講幾句話 bot 自己就把 cron 設好了。權限全開的 Agent 真的強（也危險）。有聽過作者小八卦，作者有次直接傳語音給 bot，然後才想起應該打字，但 bot 還是神奇的做完了。因為它自動裝了 ffmpeg（驚）。

使用過程中，有不少意外有趣且意外的點。第一次跟 Telegram bot 聊天時，系統問我想為它指定什麼角色。我想了想，最終選擇了 Fate Stay Night 的紅 A。原本想指定老婆 Saber，不過 Saber 應該只會一直嚼嚼嚼嚼嚼，難以想像她當秘書的樣子。所以還是指定了軍師型的紅A。結果沒想到，請 bot 講笑話它還會講魔術工坊的笑話，讓我感到非常欣慰。

題外話，處理 OpenClaw 過程中，堅定了要換掉 VirtualBox 的決心。當初選 VirtualBox 而非 VMware，主要是當年合法免費且用起來很輕快。然而，最近在使用 Linux 當 guest OS 開發時，反覆遇到難以解決的 GUI 卡頓問題。無論選什麼 video driver，用什麼 lightweight distro （Lubuntu，AntiX...），用 Xfce、IceWM 還是其他，整個 UI 仍然會卡頓與割裂，跟 Composer 和 video driver 選項戰老半天沒用。儘管 Ubuntu 無明顯畫面割裂或相容問題，但卡頓感仍明顯，Guest OS 內 VS Code 用起來無比痛苦。結果換上現在也免費的 VMware Workstation Pro 後這些卡頓問題全解了。Guest OS 內開發真正有了 lightweight distro 絲滑流暢的體驗。

回結論，OpenClaw 用過後應該是回不去了。未來什麼重複的作業，應該都會想要用 OpenClaw 解解看。現在年紀大了，精力衰退，做事力不從心，越來越能體會到這種懶人法寶的可貴 XD

全文連結

第一次中勒索病毒

 人生中第一次中勒索病毒成就達成！

不過是在 VirtualBox VM ，不是實體機器 QQ。

故事是：我和某年輕學弟一起做研究，我開發了一款傻瓜式資料標註軟體，專門用於本研究特有的資料標註問題，讓不擅長電腦的標註者也方便使用。結果傻瓜軟體完成了，但學弟只有 Mac，沒有好用的，全能的，穩定的 Windows PC，臨時也生不出來。想來想去，最後決定用自家 PC 架 VirtualBox VM，這樣比買 Windows VPS 便宜很多，設備和網路可靠性問題遇到再想辦法 XD。

為了方便學弟連，VM 網路設 Bridge 模式，開 RDP。額外裝了 AnyDesk，總有款有緣的方式可以連進來，最後學弟不會 RDP，都用 Anydesk。VM 除了系統只額外裝了傻瓜標註軟體、Dropbox 自動備份標註成果和 Anydesk。Windows 更新我為了方便暴力關了（！）

今晚，學弟用 LINE 聯繫，說 Anydesk 連不上，回家一看 VM 桌面寫著「Lockbit Black」搭配經典黑色桌面。不過 Dropbox 標註成果和我傻瓜軟體每次開啟的自動備份（.json）都沒事，有事應該也能透過歷史還原救一下 QQ

經過稍微分（問）析（AI），可能攻擊向量懷疑 AnyDesk 還有沒打更新的系統存在高危漏洞，而 VM 又用 bridge networking 裸奔。

查了一下 Anydesk 最近的 log，幾個成功登入 IP 都是來自南台灣，猜測為學弟正常登入。更進一步的 Log 分析我就沒有力氣做了。直接盲猜是中了高危漏洞，開大絕直接回滾正常快照，網路改 NAT，再將登入和 Anydesk 套上強密碼，一系列治療兼診斷，先看看會不會繼續中招在說。

全文連結

Autohotkey 自動監測啟動 VirtualBox VM

用 GPT 產生的腳本，蠻好用的 XD。作用是在每次 Windows 開機時，自動監測某個 VirtualBox VM 是否已經自動運行。如果沒有運行，就自動啟動它。

需求背景是研究計畫中請了一位學弟妹幫忙，而標註程式需要用到 Windows，結果學弟家裡只能使用 Mac 囧，只好自己在 VirtualBox 上架設一個 VM。如果不這樣做，線上的 VPS 提供者所給的套餐都很貴資源又少。用 1GB 或 2GB 的 RAM 搭一個 shared vCPU core 跑 Windows，性能實在不敢想像。

自己電腦建 VM，然後把 RAM 和 Disk 切多一些，使用FRP Tunnel出去，體驗實在好太多。唯一問題就是 ADSL 有時不穩定，這點還要設法剋服。

; --- settings ---
VBoxManage := "C:\Program Files\Oracle\VirtualBox\VBoxManage.exe"
VMName := "win10"
CheckIntervalMs := 1000 ; how often to check when running
BackoffAfterStartMs := 5000 ; wait a bit after starting to avoid rapid retries
; -----------------

#NoEnv
#SingleInstance, Force
SetBatchLines, -1

Loop
{
	; Build: "C:...\VBoxManage.exe" list runningvms | findstr /I /C:""Win10""
	Cmd := """"  VBoxManage  """" "list runningvms | findstr /I /C:" """""" VMName  """"""
	RunWait, % ComSpec " /C " Cmd, , Hide
	if (ErrorLevel != 0) {
	; Not found -> start headless
		Run, % """" VBoxManage """ startvm """ VMName """ --type headless", , Hide
		Sleep, %BackoffAfterStartMs%
	} else 
	{
		Sleep, %CheckIntervalMs%
	}
}

全文連結

論文閱讀：Free Transformer

Arxiv 連結

來記錄一下最近在 GPT 幫助下讀過的最難的 paper：Free Transformer。這篇的數學難到撞牆。

這篇核心概念，就是在 Transformer 裡面明確在模型裡顯式引入潛變量 Z。（論文 Z 不是單一全局變數而是序列 Z1...ZT）

 

在原本 Transformer 結構，潛變量 Z （例如影片是正評、負評）是通過學習序列預測來進行隱式學習。這種方法存在幾個缺點。首先，要計算我們感興趣的變量 Z，會涉及很複雜的計算，並且這類計算容易出錯。只要序列生成中出現錯誤，整個序列以及根據該序列推導出的 Z 都會是錯誤的。此外，沒有顯式表達 Z，把產生 Z 建立在序列預測，也可能在新資料因為序列預測表現不同而影響泛化，這也是論文 (1)(2) 式舉例想表達的。


另一個難點是論文中 (3)。這個(3)邊際似然（marginal likelyhood）P(S)和論文中 loss function 有關，loss function 其中一部分近似 logP(S) 的證據下界（ELBO），因此當 loss 降低時，意謂 ELBO 提高，從而提高對 logP(S) 的下界。而 P(S) 基本上可以看作在先驗 P(Z) 下對 P(S|Z) 的期望。如果P(S)夠高，那麼在模型生成的過程中，只要採樣Z，就會有足夠的機會讓模型產生的 S' 能夠對應到真實的序列 S。而 Z1...ZT 並非參數，是隨機採樣出來的，編碼器參數（確定 Q）與解碼器參數（確定 P(S|Z)）才是需要學的。


接下來難點是所謂 free bit 設計。Free bit 目的在於避免 KL collapse ，也就是，VAE decoder 以及後面的模型直接將採樣的 Z 丟棄不用，然後 VAE 訓練出的分佈 Q(Z|S) 直接套先驗分佈，然後 KL Loss 歸零成功最小化，但 VAE 就整個沒用。為了避免這種情況，模型引入了 free bit，使得 Q 分佈與先驗分佈之間可以允許一定程度差異，不會計入 Loss。

接下是所謂的 Binary Mapping。它的模組有一層，不是直接輸出 2^H 次方個 output，而是將輸出 H 個互相獨立的 Binary Bit，具體輸出 class number 則是這 H 個 bit 對應的 binary number。學習 H 個（例如 16 個）互相獨立的 binary classification 會比直接學 2^H 個 class（如 65536 個）訓練更好，降低參數量、避免大多數輸出都是在 0 附近微調，訓練速度慢並且容易被 noise 干擾，也避免資料不夠長尾類別學不到。


剩下的部分是實際測試。首先是 free bit 的設定。Kappa 太低，模型表現與正常 Transformer 相同，實際上就是 KL collapse，導致 VAE 沒有作用。然後，當 Kappa 的值過大，模型會在 Z 藏太多資訊，實際上是 overfitting，測試中連雜訊都學進去了。然後後面 benchmark 的部份就沒有細讀。更多的細節我看不懂 XD

全文連結

讀論文：Less is More: Recursive Reasoning with Tiny Networks

連結

這篇論文挺有趣，裡面提到的 HMM 和 TRM 架構，讓我想到 RNN 。不過在RNN中，Recurrent 是讓 latent space 隨時間演化，最後 prediction 才參考一次 gold label 進行 BPTT，而這篇文章中的 TRM 每次遞迴的大步（deep supervision）都維護「當前答案 y」與「推理潛變數 z」並參考 training gold label 進行更新 z 修正 y。

全文連結

AudioPen 線上聽打軟體

連結

一直沒有找到理想的聽打軟體。網上有許多免費聽打軟體，但它們僅支援簡單輸入。一遇到醫療或研究等專業場景，準確度就會大幅下降，根本無法使用。我也試過一些中國軟體，功能雖然強，但需要安裝很多來自中國的軟體，感覺有點害怕。隨著 OpenAI 的 Whisper 興起，網上也有一些免費 GUI 可以串 API 來使用，但這些工具發展尚未成熟，總是有這樣那樣的小問題。Word 聽打雖然好用，但遇到中英混雜的情況，辨識也常常失敗。通常需要中文用聽打，英文則手動輸入，使用起來不方便。此外，面對專業詞彙時準確度也不夠。

今天試用的這款 AudioPen 解決了大多問題。我特意試過中英文混雜的醫療病歷，發現它能辨識度很好，遠勝網路免費產品甚至是 Word。使用時，只需在瀏覽器上操作，不必安裝 Client。功能簡單但實用，聽打輸入後，可以同時提供大模型整理好的版本和原始聽打版本。此外，它有手機 App，可以錄音後在電腦上取回聽打結果。目前我想到的各場景辨識正確率都很高，雖然有些小錯誤，但已經很滿意。這篇文章就是用 AudioPen 聽打後修改的，所以濃濃 AI 味 XD

全文連結

JLab Talk 入手

這兩天花約 $1800 買了 JLab Talk。原本做視訊簡報的時候，用的是不到 $200 webcam 內建的麥克風，聲音慘不忍睹，連我本人都聽不清楚自己講了啥。考量到未來簡報需求，看 Youtube 產品測試買了新機器。

換機後聲音品質好太多，原本糊成一團的聲音變得清清楚楚，以後視訊簡報應該不會氣死夥伴 XD

全文連結

Lobe Chat

連結
作為 ChatGPT 少量使用者（使用場景：寫論文、書信、自學遇到不會的問題請 GPT 施捨知識），因為感覺以我的使用量，用 Plus 訂閱每個月 20 鎂不划算，所以我一直都是用 custom client 搭配 OpenAI API 來使用 ChatGPT，用多少算多少，比 Plus 訂閱便宜很多。大多情況功能足夠使用，偶爾有需要再登入 ChatGPT 官網就好。

本來我一直用 NextChat 呼叫 OpenAI API，但後來 NextChat 商業化，Open Source 的 client 只給 source code 不給 binary build，官網 binary 指向他們自建的 service，擺明洽錢，我就搜尋後改用 LobeChat。適應花裡胡哨的界面後，發現這套其實比 NextChat 好用，特別是支援傳圖和附加檔案，現在要請 AI 解釋 PDF 表格、公式和看漫畫 OCR 可以直接螢幕抓圖了（淚目）！，於是正式把 NextChat 丟進垃圾桶了 XD

全文連結

HP P1102W 退役

 

 

用了超久的 p1102w 雷射印表機退役了。

最近要列印文件，發現墨色很淡，推測是碳粉快用完了，於是拿出儲藏多年的副廠碳粉匣準備更換。但更換的時候就發現副廠碳粉匣裡面不斷掉出很多不明塊狀物。但想說試試看，就把塊狀物抖乾淨以後，還是把碳粉匣裝上去。結果列印的時候發現大量漏碳粉，整個機器打開全部都是碳粉，卡到設備裡面連進紙都卡住了。

因為這台用很久（查了一下這是 2010  年的機器，副廠碳粉匣也是差不多年紀 :P），又是人為因素損壞的，就網購新的便宜雷射印表機 HP m111w。

學到了教訓，碳粉匣出現明顯異狀的時候就別裝到印表機上面了。不過這次之所以這麼冒險，也是因為老印表機本來也不穩定了（Power 經常按了沒反應），新機器肯定不會這麼莽。 QQ

全文連結

防止 putty ssh timeout

我用 vast.ai 訓練 AI 對 ssh tunnel 有很大的依賴。一個困擾許久的問題是 TCP timeout，只要 ssh 一斷 tunnel 就跟著斷，然後透過 tunnel 跑的 notebook 就跟著死了。

用過 putty 內建的 TCP keepalive 完全沒用，後來寫 bash 腳本不停輸出資料，問題好像就改善了，紀錄一下 :P

#!/bin/bash

# Prevent TCP timeout by sending output every second
while true; do
    echo "Still alive: $(date)"
    sleep 1
done

2025/07/06 更新：結果這樣還是偶爾會斷線，該找別的方法了

全文連結

被 Windows Defender 惡搞

我生活很需要 FRP，FRP 可以在 NAT 後開洞，把我的 Windows RDP 以及 VNC expose 出去。

但最近這陣子一直發現 RDP 連不到，檢查後發現是 FRP 出了問題，檔案一直莫名其妙被刪除。直覺認為是防毒的問題，但小紅傘已經設定例外，檔案仍然繼續消失，並且 log 沒有顯示刪除 frpc.exe。後來砍了小紅傘，換卡巴斯基免費版問題還是一樣。

後來拿出塵封許久的 ProcessMonitor 針對 frpc.exe 設 filter，最後抓到是 MsMpEng.exe 也就是微軟惡意軟體防護引擎刪了我的檔案。去看設定，Windows Defender 早就被防毒關閉了，把它啟動，設定例外，再關閉，直到今天 frpc.exe 不再消失。

結論：Windows Defender 即使關閉了也會持續惡搞電腦，檔案例外要設兩次，防毒一次，Defender 再一次。

全文連結

LLM knowledge base 連假碎碎念

感覺又要戴上痛苦面具

上頭臨時要我做 LLM KM。同事還帶來了「成果」，結果只是 Ollama + UI pull model，model 還跑步起來。問了下硬體，是單卡 Tesla T4 以後會「升級」到 4060Ti。還有另外一位說可以用 LoRA finetune 做 LLM KM 以後洗資料就靠我。

這個連假，設法弄出了 SSHd + Ollama + AnythingLLM 三合一 docker image，在 Linode GPU VPS 和 vast.ai 上執行，成功 index document 執行 RAG 回答問題。目標下次見面用 live demo 拿回技術主導權。LoRA 建 KM 還跑不起來的方案我還是算了。

弄好 docker image 後人也病倒了。禮拜四還有新版研究計畫截止目前一個字都沒寫、被退回的稿子還沒再投。週四還排了兩場教學、然後業務排得多還有值班...

全文連結

再戰 Stable diffusion

一直有小夢想，就是可以無限產出 Saber 老婆的圖，但畫工太廢，無法實現，就擱著了，直到後來注意到 Stable Diffusion。

最近寫 paper 不順利，把 SD 拿來折騰（被 desk reject 後更有動力:P）。一開始用家中 AMD 6650XT 出圖。SD 有 DirectML fork 支援 Windows + AMD GPU。但使用體驗非常不好。一開始是折騰 Python 環境，Python 太新特定套件會缺 wheel 要求  compile 但 compile 又不過，後來降版本搞定。但成功執行 AUTOMATIC1111 只是陷入更多坑。UI 報錯 tensor 算出 NaN，改參數。Inpaint 重繪全部都是 noise 但又沒報錯，原來是 AMD GPU 的鍋，要改參數繞過某些最佳化。通通弄好了，出圖很慢半分鐘以上一張，8G VRAM 經常 out of memory，網路很慢抓 model 抓 ControlNet 很不方便，AMD GPU 小眾問題常常查不到答案...放棄。 

後來想到用 VPS + GPU 租賃，作法是 Linode 開 instance，裝好 SD 後先用 CPU 執行，叫出 UI 後手動裝想要的 extension 再 wget 所有想要的模型。然後 git commit 整個 container，再換到 GPU instance。 一開始用 vast.ai，但 vast.ai 的 log 不清楚，debug 失敗，轉到 runpod。runpod 折騰一番後，最後改出有 sshd + SD + 預載模型可以順利執行的 50 G image，順利在 runpod 上啟動 ssh + SD。一切弄好後，再回便宜的 vast.ai 也順利搞定。用 4090 出圖，一張十幾秒，還可以一次出多張圖，24G VRAM 大幅減少 OOM，用 NV GPU 少掉很多怪問題，出問題也容易找答案，一切絲滑流暢，vast.ai 上還只要 $0.3/hr，AMD GPU 那什麼東西 XD

稍微吐槽 runpod 官方文件，ssh 的部份寫的花里胡俏，結果實際上只是把 container 的 port forward 出去，sshd 的行為是 docker image 決定，跟官方文件中的說明沒半毛錢關係，純屬誤導。Vast.ai 同理，只要 docker 啟動能正確執行 sshd，vast.ai 唯一要注意的就是開 port，啟動成功後本地端 ssh tunnel 就能打開 SD UI。

太久沒弄 docker，很多東西變不熟，中間還鬧出在 alpine-based 的 image 執行 apt-get 的笑話。不過現在都弄好了，只要花點時間學 SD，無限 Saber 老婆不再遙不可及。

最後，數學真是美（？）原來美麗和 latent space、manifold hypothesis 有關係。看來偶是數學學不好才不會畫圖（？）

全文連結

Stable Diffusion AMD inpaint 問題

這幾天初步可以用 SD 跑圖出來了，但是 inpaint 一直失敗，不管怎麼調選項，只會產生 noise 或是模型出現 NaN 然後推理失敗。Google 了很多答案，連 PyTorch 降版本都試過 N 次，中間遇過 DirectML 初始化失敗等離奇的 bug，最後是改選項解決： 

--use-directml --lowvram --no-half --precision full --no-half-vae --opt-sub-quad-attention --opt-split-attention-v1 

 另外的問題就是 Adblock 會干擾到 inpaint 的 mask，記得關掉就沒事了。 

全文連結

Stable Diffusion 安裝成功

寫 paper 寫到自閉，昨天試著入坑 Stable Diffusion、無限自製 Saber 老婆實在太香了，目前進度只有到安裝，由於用的是 AMD 6650XT，所以沒辦法像 N 卡一樣一帆風順，我不想用 CPU 出圖，花了很久總算讓 GPU 出圖跑起來，折騰出第一張圖，很丑就沒存了。 

我從 AUTOMATIC1111 的 Stable Diffusion UI 直接入手。參考這篇。其實安裝指令就一行：

git clone https://github.com/lshqqytiger/stable-diffusion-webui-directml && cd stable-diffusion-webui-directml && git submodule init && git submodule update

但安裝好後，我的 AMD 6650XT 需要加 --use-directml --medvram 才能用。然而加了 --use-directml 以後就要另外安裝另一堆依賴，然後就在 scikit-image 上卡住無法安裝，後來發現問題出在我用 WinPython 的 Python 3.12 沒有對應的 wheel，只能本地編譯，但我裝了 VS studio 還是無法編譯成功，所以最後降版到 WinPython 3.10 再重新裝一次，就有現成的 wheel 東西就能動了。 現在試著裝動漫人物的 model 和 lora，結果 SD 又提示我要自動下載 open clip 10.2GB model 最快也要明天抓好，只能明天再測試了。 全文連結

狼途 GK 65 入手

今天順利入手狼途GK 65。新筆電天選 5 pro 現在用得很滿意，螢幕大顏色漂亮、有獨顯、重量可接受，就是輸入設備受限於筆電先天限制。難用的觸控板已經用外接滑鼠替代，但難按的薄膜鍵盤一直沒很好解決，機械鍵盤保證好按，但出遠門帶鍵盤太麻煩。

後來靈光一閃，想到帶小鍵盤，就決定 68  配列挑一把，這是有方向鍵（方便玩遊戲）中最小的配列了。這把狼途 GK 65 在淘寶買含運不到 NT$600，就想都不想入手了。1/10 下單，1/17 就收到貨囉，啪的一聲很快啊，本來還擔心趕不上月底出門玩。

拆開後，紙箱外觀非常一般，充滿廉價感，不過考量到非常低價就不要求，裡面除了鍵盤、填充物就只有一張說明卡和貼紙，實在精簡。鍵盤入手後馬上發現有怪聲，今天吃完尾牙花時間拆開發現底層有個冗餘螺絲，移除後怪聲消失，想想只賣 NT$600 還是不計較了。

我買的版本為金軸，查了下是段落軸，聲音偏大，大到會不好意思在醫院高速打字，打感非常清脆。整體大小則非常滿意，跟原本 98 配列狼蛛 F99 比又小非常多，大小應該可以塞進背包了。

下次出遠門找機會帶出去，如果能放背包，就能實現筆電用外接機械鍵盤打遊戲的夢想 XD

全文連結

書本購入：SRE 工作現場直擊，Stable Diffusion

 

 

這兩本書是這次去臺北天瓏書局買的。Stable diffusion和 SRE 都是我相當陌生的領域。 研究 Stable Diffusion 是希望有一天能畫自己的 Saber 老婆，無限 Saber 製光想都覺得香。SRE 則是為以後維護自己醫院內的服務做準備。這本書看起來算是最白話的入門書了。

全文連結