最近在用vscode中的GitHub copilot，发现无法使用claude系列的模型
很多小伙伴知道要开代理，开往带你以后claude确实会出来，本地使用没有任何问题，但是如果使用远程服务器ssh，claude系列的模型就消失了，参考这篇博客https://blog.ZEEKLOG.net/qq_40620465/article/details/152000104
按照博主的方法，需要加一个改动，在设置远程服务器（注意不是“用户”）的setting.json时需要加入"http.useLocalProxyConfiguration": true,
完成后再重启vscode，claude就有了：
llamafactory微调qwen3-vl详细流程 目标：本文讲详细介绍多模态大模型使用llama-factory进行多模态模型微调（sft）的全部流程，以及微调后合并和工业落地部署方案。具体包括： 1. 环境安装部署 2. 数据集准备 3. 启动微调 4. 模型合并 5. 模型部署和请求方式(vllm部署) 示例模型： qwen2.5-vl-instruct qwen3-vl-instruct 环境安装 llama-factory环境准备 方式1 git直接下载 git clone --depth https://github.com/hiyouga/LLaMA-Factory.git 方式2 下载项目压缩包再解压 python环境安装 1. python虚拟环境创建 * conda create --name llama_env python=3.12 (默认已安装好anaconda或者minianaconda) * conda
文章目录 * 引言 * 一、Raphael AI 是什么？ * 二、核心引擎：Flux.1-Dev 与 Flux Kontext * 1. Flux.1-Dev：极速与精细的结合 * 2. Flux Kontext：精确的语义理解 * 三、主要功能一览 * 1. 零成本创作 * 2. 多风格引擎 * 3. 高级文本理解 * 4. 极速生成 * 5. 隐私保护 * 四、实测体验与使用方式 * 五、与其他 AI 绘图平台的对比 * 六、未来发展与生态计划 * 七、总结：AI 创意的平权时代 引言 在生成式 AI 技术飞速发展的时代，图像生成的门槛正在被彻底打破。
踩坑实录：多卡跑大模型Qwen-VL，为何vLLM模型加载卡死而llama.cpp奇迹跑通还更快？ 前言：部署经历 针对 Qwen2.5-32B-VL-Instruct 满血版模型的部署实战。 手头的环境是一台配备了 4张 NVIDIA A30（24GB显存） 的服务器。按理说，96GB的总显存足以吞下 FP16 精度的 32B 模型（约65GB权重）。然而，在使用业界标杆 vLLM 进行部署时，系统却陷入了诡异的“死锁”——显存占满，但推理毫无反应，最终超时报错。 尝试切换到 Ollama（底层基于 llama.cpp），奇迹发生了：不仅部署成功，而且运行流畅。这引发了我深深的思考：同样的硬件，同样模型，为何两个主流框架的表现天差地别？ 本文将围绕PCIe通信瓶颈、Tensor Parallelism（张量并行） 与 Pipeline
📊 核心差异：一句话概括 * GitHub Copilot：你的智能代码补全器 * Claude Code：你的全栈AI开发伙伴 🎯 一、产品定位对比 GitHub Copilot：专注代码补全 <TEXT> 定位：AI结对编程助手 核心理念：让你写代码更快 核心功能：基于上下文的代码建议和补全 收费模式：个人$10/月，企业$19/用户/月 Claude Code：全栈开发加速器 <TEXT> 定位：AI驱动的开发平台 核心理念：提升整个开发流程效率 核心功能：代码生成+架构设计+调试+部署 收费模式：按token计费，灵活弹性 ⚡ 二、核心技术对比