本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 (全文上万字符长时间手打+十数张图，先前已经多次回复说明情况却都被认为是ai生成举报，上百楼内容丢失，哪怕为了其他佬友的认真讨论与交流的内容都请勿随意举报！如有意见请友好私信交涉) 注：这里有一个三分钟使用极简教程，正式使用前推荐看看：【全开源免费！抢先体验属于个人的Easy Research！Obsidian开发者手把手教你三分钟速通NotEMD！-哔哩哔哩】 https://b23.tv/lqR0RlA 2026.05.25： 在版主提醒下，L站禁止给群组引流，有需要进一步交流需要请给项目点star或私信本人。 安装 Obsidian 社区插件里直接搜索 Notemd 或者去 GitHub 仓库查看源码和 release 项目地址： GitHub: notemd github项目 Obsidian Community Plugin: 搜索 Notemd 下面是正文 这两年关于 AI 读论文的讨论很多。但这个阅读的痛点始终存在：读完以后，内容有没有留下来？ 在对话框里提问很方便，模型也能很快给出总结、翻译和解释。但过几天再回看，常见结果只有一个模糊印象。论文的核心概念、方法关系、实验设置、局限性，以及它和已有知识的连接，往往没有真正进入自己的知识库。 所以我现在更在意一件事：把论文阅读过程中有价值的内容，持续写回 Obsidian。 Notemd 就是在这个场景里我用得比较顺手的工具。它把论文笔记、概念卡片、研究摘要、翻译、图表和工作流放在同一个工作台里，让一次阅读不只停留在一次对话，而是变成后面还能继续调用的资料。 一句话介绍： Notemd 是一个开源的 Obsidian 社区插件，用来把论文阅读过程中的概念链接、概念笔记、原文证据摘录、背景补充、翻译、图表和工作流沉淀回知识库，并支持多语言 UI、README 和内容转换。 实际阅读状态示例： 多语言支持： 我想解决的问题：读完一篇之后，还能继续积累 我现在看“AI 读论文”，关注点已经在长期积累能不能形成。 你当然可以把 PDF 丢给模型，让它做总结、翻译、解释公式、分析贡献。这些都很有用。但论文不是孤立存在的。每次读到的新术语、方法、数据集、实验范式，理论上都应该慢慢长进自己的知识网络里。 我更想要的结果是这些： 一篇论文读完以后，关键概念被自动补成 [[wiki-link]] 新出现的概念可以继续生成概念笔记 我关心的问题能直接定位到原文证据，而不只是拿到一段转述 背景资料和补充搜索能附着在当前笔记旁边 复杂方法链路可以压成 Mermaid 或图表，方便回看 这些结果都留在 vault 里，而不是散在不同聊天记录中 Notemd 的价值也正是： 它把论文阅读变成一条可以复用、可以回看、可以持续补充的知识流。 和聊天式 AI 相比， Notemd 更适合把结果沉淀进知识库。 维度 聊天式 AI(如Smart Composer插件的功能) Notemd 核心落点 当前会话 当前笔记和 vault 文件 结果形态 一段回答 链接、概念笔记、译文、图表、日志、工作流产物 适合场景 快速问答、临时解释 长期阅读、积累、复用 主要风险 聊完就忘，不利于回忆与搜寻 需要自己维护知识库结构 这两种方式并不冲突。我自己也会继续用对话式 AI （例如Obsidian中的Smart Composer等插件）针对论文做即时追问。但如果目标是让今天读过的东西，三周后还能准确记忆与获取，那么文件化、结构化和可回写会更重要。 结构化总结： 我现在比较顺手的一套论文工作流 Notemd 当前处理的是 Markdown / txt 内容，不是直接载入 PDF(但打开开发者选项后个别不需要修改原文的任务是支持载入其他格式)。这会让整个流程更干净，并且MD是AI的原生语言。 1. 先把 PDF 变成 Markdown 我一般会先用 MinerU 之类的工具做 PDF → Markdown，再把结果放进 Obsidian。 (当前MinerU在目前的免费软件里使用起来解析质量高且速度较快) 这样做有几个直接好处： 原文结构更清晰 注： v1.9.1已支持章节结构提取功能 后续链接、翻译、提取、图表都围绕同一份 Markdown 笔记发生 你的“论文阅读结果”本身就是知识库资产 注意，后面的大部分自动化，都要求原文已经进入你的知识库，是Notemd可处理的文件。 2. 先做概念链接，再做概念沉淀 导入 Markdown 以后，我一般先运行这两个指令： 处理文件（添加链接）| Process file (add links) 从标题批量生成| Batch Generate from Title 前者会把论文里的关键概念补成 [[wiki-links]] ，后者则可以借助高质量AI(比如 降智前 的Gemini-3.1-pro)把每个概念扩充为深入的领域知识与术语间关系的总结，支持调用搜索 api（比如 Tavily）做定向搜索后生成。 很多论文难读，原因很简单：默认你已经知道太多术语。backbone、训练范式、benchmark或是统计指标，而实际上需要你临时去查，特别是当你不了解这个领域时更是无从查起。 因此我通过Notemd将这些概念用ai提取后直接沉淀到固定的或者是自定义领域的概念文件夹里。这样第二篇、第三篇相关论文读下去时，已有概念会越来越完整，不需要每次从头补背景。 如果你愿意的话可以打开概念日志，每次新增了哪些概念都有记录。并且， 我已经将这套流程固化为一键处理按钮，不需要拆解单独执行(但需要注意tokens消耗)，最大化便利佬友们使用。 3. 用“提取特定原始内容”做证据导向的精读 “提取特定原始内容”顾名思义，是获取原文中的依据，适合继续做精读笔记、组会汇报，或者后面写 related work 时快速回查。 你可以先在设置里定义一组问题，例如： 这篇论文的核心贡献是什么？ 作者如何定义问题？ 实验设置是什么？ 主要 baseline 有哪些？ 作者明确承认了哪些 limitation？ 然后让插件从当前论文里逐字提取对应原文片段。 如果你希望明确知道“这句输出到底对应原文哪一句”，记得使用这个功能 4. 不懂的背景用 Research & summarize 试试 如果需要临时查阅当前论文或笔记的特定只是，我不会立刻跳出 Obsidian 去开很多网页，可以在当前笔记旁边做 Research & summarize 。它会调用你配置好的搜索服务和 LLM，把主题相关的补充信息整理出来，附加回当前笔记。 背景知识不散在浏览器标签页里 你查过什么，和当前 paper 绑定在一起 后面回看时，论文旁边就是当时补的上下文 我主要用它补背景和补术语网络，不替代正式文献检索。在课题早期扫盲阶段能明显降低阅读门槛。 5. 英文精读压力大时，直接翻译，但翻译结果也应该保存到本地 当前很多 AI 翻译论文的方案，问题通常是单次翻译没有有效落盘， Translate current file 这个链路的价值，在于它会把译文作为 Obsidian 里的另一份产物保存下来，成功后还会直接在侧边栏打开。 多语言知识库用户可以实现：原文、译文、概念卡片、研究摘要都能在同一个 vault 里互相引用，不需要来回搬运。并且由于 UI Locale 和 Task Output Language 是分开的，界面语言可以跟着 Obsidian 走中文，任务输出也可以保持英文，反过来配置也可以。科研场景里，这种拆分很方便。 这是效果图，内容摘选自 Feynman 的物理学讲义： 6. 最后把理解压缩成图 论文阅读与领域学习的过程中很常见的问题是：脑子里一堆概念，但没整理出结构。 有这两个功能可以辅助解决： Summarise as Mermaid diagram Generate diagram (experimental) 前者更适合方法流程、模块关系、因果链路这类结构化内容。后者在当前版本里已经覆盖 Mermaid、JSON Canvas 和 Vega-Lite 等图表路径，其中 dataChart 还能用 Vega-Lite 生成更规整的数据图。 图是一种"理解压缩层"。让 AI 把论文画成流程图、关系图或数据图，它必须先把结构显式整理出来。检查图的时候，也更容易一眼看出哪里有问题。 注意：图不是事实本身。AI 生成的图，尤其是科研图，只适合当草图、摘要层和检查层，不适合不经核对直接当最终结论。 如图， v1.8.4 最新版支持众多种类图的生成： 下面再给一些图类型的举例： Mermaid正常图： 时序图： 7. 最后用工作流把这些动作串起来 如果上面这些动作每次都手动点一遍，久了还是会烦。所以 Notemd 里我很喜欢的另一个点是：你可以把常用动作编成自己的 One-Click Workflow 。 默认就有一个 One-Click Extract 功能把几个动作串起来跑。除此之外，你也可以按自己的论文习惯重组，比如： 论文入库::process-current-add-links>extract-concepts-current>research-and-summarize>summarize-as-mermaid 在设置中有非常高度自定义工作流的支持： 对我来说，工作流的意义除了少点几次按钮，还有真正把阅读习惯固定下来。你跑得越多，知识库结构就越稳定，后面的复用价值也会越高。 这个项目更偏实际工作流程落地，有下面这些突出优点 完整开源 。github开源，具体设置有文字+多图说明。 模型选择自由 。支持 OpenAI、Anthropic、Google、DeepSeek、Qwen、Ollama，以及通用 OpenAI Compatible 网关。 注： v1.9.1 已支持“获取模型列表”功能。 不同的任务均支持对特定的模型进行配置 。对于链接、研究、翻译以及生成等任务，均能够独立地去进行 provider 以及 model 的选用。 对于每一个具体需要去执行的任务，都支持开展 prompt 的修改工作 。这就为插件在功能拓展方面提供了相当充裕的空间。 结果都会以文件的形式来予以保存 。在开展学习的过程当中，插件会把相对应的链接、概念笔记、译文、图表以及日志都进行留存。 在本地用户友好性方面表现得十分出色 。针对那些已经习惯于去使用 Obsidian 的用户来说，这一工具可以直接在既有的工作台环境当中去嵌入 AI 相关的能力，这样一来，就完全不需要再去对一整套既有的笔记体系开展任何的替换工作。 它能帮你构建"外部大脑"，但真正记住与掌握，开始实践的只能是你自己。 哪些人应该尝试这个插件： 已经在用 Obsidian 管理读书或论文笔记的人 面对较大规模的文献阅读量，且期望将零散理解逐步构建为系统化知识网络的人 不满足于“总结一下”，而是想把概念、证据、图表和上下文都留下来的人 期望将翻译、搜索、概念提取以及图表生成整合至同一工作台之中的人群 对模型选择上期望自由切换云端和本地部署模型的人 如果你只是偶尔看一两篇 paper，能协助你完成翻译与核心概念的提取工作，上手门槛很低，并且有保姆式视频教学。 如果你有长期积累需求，它的价值会更为显著，因为这些结果最终均会沉淀于个人知识库之中。 如果大家感兴趣，后面我还可以再单独整理一篇更偏实操的帖子专门针对大家的后续问题，比如： 我怎么配置提取问题模板 如何把 prompt 开展有针对性的调整工作，来让它得以深度契合到不同的学科领域以及具体的任务场景当中 …… 如果觉得喜欢有所收获，对你有帮助，就支持一下吧! LINUX DO Credit 3 个帖子 - 3 位参与者 阅读完整话题
有点好奇，L3的用户量这么大，以及，作为一个社区论坛，出现一些违规不良言论是很正常的事，这么大的人为审核。总需要一些审核成本以及服务器运维成本吧，想知道是怎么解决的。目前没有看到l站有广告以及付费相关。 21 个帖子 - 20 位参与者 阅读完整话题
规划了些 自己常用的一些右键功能。如果说作为用户，你可能会付费的功能是啥呢？当前就准备自己用用，等自己觉得好用可用时，可能会开源下。 不得不说，现在软件确实是日抛了，想要什么功能自己给ai描述就行了，即使不会代码也能写一个自己满意的软件。放在之前是不可能有这种想做个应用自己用的想法的。 2 个帖子 - 2 位参与者 阅读完整话题
6 月底 7 月初大家上次薅的 mimo 羊毛应该都快过期了，不知道大家之后会考虑订阅它作为顶级模型额度用完后的备用吗？ 我自己使用下来其实体感模型能力比 dsv4 还好一点，不过由于是白嫖没太注意计费和 token 消耗量跟 ds 的差异。 今天又出了 mimo code，看上去工程能力还能提升一点，所以有点心动。 不知道各位佬白嫖期间蹬起来使用体验如何，横向对比其他几个国模有性价比吗？ 1 个帖子 - 1 位参与者 阅读完整话题
小米今天发布并开源了自己的AI编程助手Mimo Code，作为一个米粉，肯定要试试。Mimo Code内置持久记忆系统，用项目记忆、会话检查点、任务进度三重机制，解决AI健忘。内置专属的Harness系统，让模型的能力与框架深度配合。还有独创的Compose模式，给一个简单的想法就能自动完成设计、规划、编码、测试、审查，并最终交付一套工业级的成品。 我用Mimo Code,搭配deepseek V4pro，开发了一个贪吃蛇，效果还可以，但是花费的时间确实长，总共耗时40分钟。有佬友用了么，过来交流交流经验 3 个帖子 - 2 位参与者 阅读完整话题
Jack马说，996是福报。 作为一个单休的牛马it，佬们对这个话题有何看法？ 最大限度利用公司资源。 4 个帖子 - 4 位参与者 阅读完整话题
我想批量保存评论区里佬们回复的评论作为我的资料库，抱着以后没准会用到态度，都会点收藏，但是评论太多了，有没有啥方法可以做到上面的效果，佬们支个招，你们说的我逐字学习 10 个帖子 - 9 位参与者 阅读完整话题
本文不涉及中转站推广、不涉及号商推广。只是作为ai中转站的科普，给新人避坑。 中转站的费率 我个人最支持的费率计算方式是这样的， 充值费率 + 使用费率 。其它的都走官方的价格。这种我认为是最透明最清爽的计算方式，也是自建中转站的时候管理起来最方便的方式。 充值费率 正常来说我们默认充值的费率是人民币兑美元，1:1，这是基础，其他的都先不谈。也就你充值了1块钱，在中转站的账户里显示就要是1美元。 使用费率 使用费率是指实际使用时模型的费率的折扣，比如0.1费率就是这个模型使用时打一折。 这个东西不同在中转站的浮动空间很大、不同的模型差异也很大。中转站的浮动空间大是看中转站想赚多少钱。模型差异大是因为不同厂家的策略不同，中转站的token获取成本也不同。 以我接触最多的gpt模型作为参考，费率方面我认为0.1的费率是一个比较合理费率。中转站能赚，但是赚的也不多，个人用户能用，用得也很便宜。 坑点 只告诉你一块钱能充多少刀，不告诉你实际的每个模型的使用价格 这是小白最容易踩坑的地方，比较一块钱换多少刀，这种噱头太大了。但是对方可以在使用费率上动手脚。笔者最初在闲鱼找中转站的时候就遇到过这种情况，记得当时有个老哥在评论里还说，计算了下费率，发现这小子卖的比官方正价还高。 告诉你使用费率，但是要求你按照人民币兑美刀的费率来充值 这是最抽象的费率，属于是宰觉得自己不是小白的小白。尤其是由于人民币兑美刀的费率是实时变化的，奸商为了应付这种变化还要去强行固定一个费率。就，很抽象，很绷不住。这也是一个水友遇到的这个问题，它找到的使用费率是0.028。我靠，一看这个费率也太棒了吧，基本上就是自建中转站的成本线了，结果由于人民币兑美元充值1:6.8。直接个给实际费率拉到了0.2左右。 真实使用建模 这个就是是真实使用的问题了，这部分的价格和中转站的费率无关，这个只是给新人一个参考。 这里最大的影响因素是cache命中率，这个影响因素主要是你的使用方式和业务决定。具体原因很专业，我也没太搞懂。这也就是为什么有的人用1m token可能要5美元，而有的人用1m token可能只要1美元。 这个我只能给大家一个参考，我是写代码的，之前做过一次在工作时间段内的cache监控，得到的数据如下: cache read：9,236,261 / 1,000 万，92.3626% cache write：0 / 1,000 万，0.0000% input：708,603 / 1,000 万，7.0860% output：55,136 / 1,000 万，0.5514% 然后让ai带入各个主流模型的官方费率来计算每百万token的实际使用价格，得到如下的表： 模型 价格口径 百万token综合报价 单人月二十亿token的使用报价 GPT-5.4 OpenAI 标准价 $0.4908 $981.52 GPT-5.5 OpenAI 标准价 $0.9815 $1,963.05 Claude Opus 4.6/4.7 Anthropic 标准价 $0.9540 $1,907.91 Grok 4.3（latest） xAI 标准价 $2.8708 $5,741.69 Gemini 3.1 Pro Preview Google Standard，<=200K 档 $0.3926 $785.22 GLM-5.1 标准价，0-32K 档 ¥1.7582 ¥3,516.40 Kimi K2.6 标准价 ¥1.6254 ¥3,250.90 MiniMax-M2.7 标准价 ¥0.5830 ¥1,166.09 DeepSeek V4 Pro 官网价 ¥0.2688 ¥537.51 Qwen 3.6 Max Preview <=128K 档，按显式 cache hit 10% 口径 ¥1.7667 ¥3,533.48 但是这个也得看具体的模型的特性，比如deepseek的特性之一就是逆天命中率，后面我用了一段时间的deepseek，发现百万token的使用成本大概是0.2人民币。 AI中转站有那些类型 这一段要介绍的中转站有那些类型主要是为了给一个中转站的选择建议。 我个人的建议的是如果不经常使用，日使用token在两千万以下用公益站。 如果有钱，用量要求大，不想在中转站上耗费精力，可以选择商业站。 如果想折腾，用量大，或者找不到合适的中转站，可以尝试自建中转站。 公益站 这个可以直接在linux do上面找，比较麻烦的点是大多数的公益站是限制人数要邀请码的。所以得看缘分，缘分到了就找到了。另一个点是，人家不收费，纯纯为爱发电，所以有些卡顿、有些问题那是自然的。讨饭的不嫌饭馊对吧？理解万岁。 商业站 这种一般就是看中转站的老板的渠道硬不硬了。我个人的态度是，没有中转站是稳定的。要稳定，你去找官方，正价买，那个稳定。否则我们都是在薅羊毛，那天资本没钱烧了，兄弟们的号也就没了。 所以，用多少，用充多少。中转站可没有平台监管，说跑路就跑路了，不可能给你退的。有句玩笑话叫，中转站最赚钱的时候就是跑路的时候。 自建站 这个具体教程我写过，然后被删了，可能涉及了号商的问题，疑似引流。所以我尽可能不提这方面的事情。 总之，你需要用sub2api、cpa、newapi、codex2api、总之任意一个项目来管理号池。号怎么来？要么自己开注册机，要么自己想其它办法，这方面站内有介绍。 这里主要说一下我踩的一些坑，中转站项目尽量不要部署在国内大厂的境外云服务器上面，容易被ai厂商认定为vpn给你风控。然后就是注意成本的管控，我的态度是只要使用倍率高于0.05，我就要考虑中转站了，使用倍率超过0.1我必选中转站。 另外再提一个比较稳的方案，低价区正价上pro x20。成本我算过，能把使用费率降到0.3.而且我怀疑那些标榜自己很稳的中转站大概率也是用的这个方案。pro x20保本，然后掺杂plus号池赚钱。 1 个帖子 - 1 位参与者 阅读完整话题
作为程序员，键盘就好像厨师手里的刀，作家的笔，我好奇大家都用什么键盘，最近看上一个键盘，可惜觉得太贵，没舍得买，顺便问问，大家可有网购如何最便宜的购入方式推荐呀 12 个帖子 - 12 位参与者 阅读完整话题
作为开发者大部分人应该都是有自己的GPG公钥的 不过我在IM通讯软件里面找了一圈，基本都生成一个丢到GitHub就完事了 仅仅为了代码显示一个Verify，别人找都找不到 那GPG公钥不公布出来公钥的意义何在呢？ 身边挺多蛮会开发的朋友 邮箱在公钥服务器都没有，社交平台(或者博客)也没贴，自定义域名的就WKD也没配置 好想和别人玩GPG密钥通讯之类的啊wwww 身边完全没有人。。。 3 个帖子 - 3 位参与者 阅读完整话题
我的意思是，我作为家长直接给老师和学校沟通好，我家孩子晚上需要调养，不需要上晚自习 实际上我想利用晚上的时间，查漏补缺下孩子欠缺的知识点，如今的 AI 已经远超老师的教学水平，一道题可以变着法甚至能给我用网页 或者 python 做出一个 模型出来理解一道题目 这种想法现实么？
我的意思是，我作为家长直接给老师和学校沟通好，我家孩子晚上需要调养，不需要上晚自习 实际上我想利用晚上的时间，查漏补缺下孩子欠缺的知识点，如今的 AI 已经远超老师的教学水平，一道题可以变着法甚至能给我用网页 或者 python 做出一个 模型出来理解一道题目 这种想法现实么？
最开始对各种 AI 订阅简直上头，土区 GPT、尼区 Claude 都折腾过，Claude 甚至还拼过两次 Team 车。但现在真心觉得，这么来回折腾太心累了。 主要是现在像 codex 这类 API 中转站倍率贼低，算下来特别便宜，平时聊天查问题完全够用，就彻底断了开官方 Plus 的念头。 今天又花 10 块钱上了个 Gemini 的年费车，开着反重力在网页端来回横跳。折腾一圈下来，讲真，现在感觉这几个头部模型用起来的差距，真的没那么大了，我都怀疑自己是 不是ai 阳痿了，还是真没什么大的差距了呢？佬们 13 个帖子 - 5 位参与者 阅读完整话题
分析师们对蒂姆·库克作为苹果CEO的最后一次主题演讲并不感到特别兴奋。这场发布会聚焦于其语音助手机器人的人工智能升级。“我们认为投资者对这次发布的内容不会感到兴奋，”瑞银的戴维·沃格特在周一给客户的报告中写道，称这些升级不足以推动iPhone的需求。2025年，iPhone约占了苹果收入的一半。 Key Banc的布兰登·尼斯佩尔表示“没有看到明确的AI变现信号”，只有“一个略有改进的独立版Siri，但仍然逊色于其他大语言模型”。 贝尔德公司的威廉·鲍尔表示，新款Siri的AI功能“大致符合”预期，不过如果执行得当，这些功能可能会成为“一个巨大的突破口”。 在通胀上升、工资增长和个人储蓄下降的背景下，苹果在消费层面正面临阻力。 高盛分析师迈克尔·吴认为，消费者需求疲软是苹果面临的一个关键风险。 “宏观环境的任何疲软都可能减少对苹果产品和服务的需求，”他在周一给客户写道。“由于宏观经济逆风、产品耐用性提高或产品创新乏力导致的更换周期延长，都可能对升级需求产生负面影响。” 查看评论
作为「休息日💤」的开发，做这个 App 的时候就知道是在给 iOS 做修补。 所以 App 退休可以说是最终命运。甚至 Apple 做的速度还是比想象中还要慢了一年。 但是「休息日💤」还有有优势的： 假日模板更多，还有订阅模板 有日志系统 操作整体上比较灵活 代码开源 然后好像就没了。而且这些点 99.9% 的用户都不太需要。 来都来了，欢迎加 Star： https://github.com/zizicici/Off-Day
作为「休息日💤」的开发，做这个 App 的时候就知道是在给 iOS 做修补。 所以 App 退休可以说是最终命运。甚至 Apple 做的速度还是比想象中还要慢了一年。 但是「休息日💤」还有有优势的： 假日模板更多，还有订阅模板 有日志系统 操作整体上比较灵活 代码开源 然后好像就没了。而且这些点 99.9% 的用户都不太需要。 来都来了，欢迎加 Star： https://github.com/zizicici/Off-Day
作为「休息日💤」的开发，做这个 App 的时候就知道是在给 iOS 做修补。 所以 App 退休可以说是最终命运。甚至 Apple 做的速度还是比想象中还要慢了一年。 但是「休息日💤」还有有优势的： 假日模板更多，还有订阅模板 有日志系统 操作整体上比较灵活 代码开源 然后好像就没了。而且这些点 99.9% 的用户都不太需要。 来都来了，欢迎加 Star： https://github.com/zizicici/Off-Day
作为「休息日💤」的开发，做这个 App 的时候就知道是在给 iOS 做修补。 所以 App 退休可以说是最终命运。甚至 Apple 做的速度还是比想象中还要慢了一年。 但是「休息日💤」还有有优势的： 假日模板更多，还有订阅模板 有日志系统 操作整体上比较灵活 代码开源 然后好像就没了。而且这些点 99.9% 的用户都不太需要。 来都来了，欢迎加 Star： https://github.com/zizicici/Off-Day
作为「休息日💤」的开发，做这个 App 的时候就知道是在给 iOS 做修补。 所以 App 退休可以说是最终命运。甚至 Apple 做的速度还是比想象中还要慢了一年。 但是「休息日💤」还有有优势的： 假日模板更多，还有订阅模板 有日志系统 操作整体上比较灵活 代码开源 然后好像就没了。而且这些点 99.9% 的用户都不太需要。 来都来了，欢迎加 Star： https://github.com/zizicici/Off-Day
我目前自己需要一点api作为日常翻译一些小场景使用，各位佬友知不知道哪些平台有比较稳定的免费api可以用啊，模型性能没啥要求，qwen32B这个级别就可以了 2 个帖子 - 2 位参与者 阅读完整话题