Kaggle 免费双 T4 跑无审查 Qwen3-14B:从零写 Notebook 到对外调用

先说结论:Kaggle 给个人账号每周 30 小时免费 GPU,一台 Notebook 两张 Tesla T4,每张 15.3GB 可用显存。9GB 的无审查 Qwen3-14B 单卡就能跑,实测 13–16 tok/s。本文把 Notebook 从零写到能对外调用的每一步都按实测写出来,照着抄就能跑。 和之前那篇 Colab 方案比,Kaggle 不用订阅、双 T4、每周 30 小时;代价是条款对长期对外服务更严,也没有 Drive 那样的持久缓存。自己测试、做实验,Kaggle 更划算。 一、Kaggle 免费 GPU 到底给什么 每周 30 小时 GPU(TPU 另外 20 小时),按会话计时,跑一个 cell 才开始算。 单次会话最长约 9 小时。官方两份文档数字打架,按短的规划。 空闲 20 分钟自动断开。注意是"空闲":后台跑着的 Ollama 不算"执行中",所以要留一个长期占着的 cell 保活,或者用 Save & Run All(无空闲超时,上限 12 小时)。 开 GPU 要先验证手机号:没验证之前,Accelerator 里 GPU T4 x2 是灰的,验证完就能选。TPU 还要再做身份验证,GPU 不用。 额度数字以官方文档为准,免费政策随时可能变,动手前以官方页面为准。 二、新建 Notebook:两个开关 Kaggle 首页 → Create → New Notebook。 右侧 Session options → Accelerator 选 GPU T4 x2。 Internet 确认是开的(新建默认开)。Kaggle 没有入站端口,模型下载和隧道都靠出站联网。 跑一个 cell 之后会话才真正启动、开始计费。只写代码、改 cell 的时间不算。 ...

November 17, 2026 · 2 min · 

Google AI Pro 隐藏福利:白嫖 Colab GPU + Cloudflare 对外发布 + 本地 SSH,跑满血 Qwen3

先说结论:如果你已经订阅了 Google AI Pro,Colab 里那块免费的 T4 GPU 别只在网页里玩玩。把它和 Drive 缓存、Cloudflare 隧道、本地命令行接起来,就是一台有固定域名、手机和家里都能调用的私人模型服务器。本文这条链路我从头到尾跑通过,下面写的每一步都是实测过的。 一、AI Pro 的 Colab 福利:不只是一个 notebook 很多人把 Colab 当成“免费 Jupyter”,但订阅 AI Pro 之后,它多出来的东西刚好能拼成一台服务器: 计算单元更多、GPU 分配更优先:免费版也能分到 T4,但高峰期经常排队或者只给 CPU;Pro 的配额明显宽松得多,T4 基本随要随有。 后台执行:合上浏览器标签页,运行时不会立刻被回收,适合挂长时间任务。 Drive 5TB:Pro 订阅把 Drive 从 15GB 提到 5TB。这点最关键——模型权重可以直接缓存进 Drive,下次启动不用重新下载,一个 9B 模型 5-6GB,下载一次就够了。 Colab Secrets:敏感信息(比如 Cloudflare 隧道 Token)可以存在 Secrets 里,代码里只写名字,不落明文。 免费版不是不能跑,后面这套流程在免费版上一样能走通,区别是额度更紧、排队更久、会话更容易被回收。 二、免费用 Google GPU:从零到第一个回答 新建一个 notebook,把运行时类型改成 T4 GPU,然后按这个顺序走: 1. 挂载 Drive 做模型缓存。 第一次运行会弹授权,挂上之后在 MyDrive/colab-cache 里建个目录,以后 Ollama 的模型就存在这里。实测第二次启动直接命中缓存,省掉几 GB 的下载时间。 ...

November 16, 2026 · 2 min · 

腾讯 Hy4 开源大模型实测:770B 参数、首次会看图能操作电脑,但权重还没放出来

先说结论,免得你白高兴一场:Hy4 正式版的权重截至今天(11 月 15 日)还没开源。770B 参数的模型摆在那儿,你下载不了、本地跑不了,能用的只有 API。标题里“开源大模型”四个字,得打个折再读。 但这不等于 Hy4 不值得看。11 月 4 日发布的正式版补上了 preview 最缺的两块能力——第一次会看图、第一次能操作电脑,幻觉率从 15.76% 砍到 5.45%,定价还没涨。下面分开说:哪些是发布事实,哪些是我今天亲手核实过的,哪些数字要打折扣再信。 一、发布事实:770B,三个“首次”,价格没动 Hy4 是腾讯混元的新一代旗舰,11 月 4 日正式发布。总参数 770B,MoE 混合专家架构,每 token 激活 49B,上下文 1M token(1,048,576)。上一代 Hy3 系列不到 300B,这一代直接翻了一倍多。 三个“首次”值得单拎出来: 首次引入视觉理解:能读图表、读文档、多图分析、数学视觉推理。官方举的例子是在一张 2.8G 像素的航拍图里,靠写代码裁剪局部,找到屋顶上一个约两米的部件。 首次支持电脑操作(Computer Use):能结合命令行和图形界面执行复杂任务,不只是在对话框里输出文本。 首次针对专业软件做专项训练:点名的是 Blender、CAD,以及跨应用的长程任务。 幻觉率从 preview 的 15.76% 降到 5.45%,降了三分之二。定价延续 preview:输入 6 元/百万 token,输出 18 元,缓存命中 0.3 元。更省成本的 Hy4 Flash 近期发布。 已经上线的地方:腾讯云 TokenHub、WorkBuddy/CodeBuddy、元宝、企业微信智能助理大圆、ima;API 同步接入 OpenRouter、Hermes、OpenCode。两个时间窗对读者有用:WorkBuddy 和 CodeBuddy 的免费额度只到今天(11 月 4 日至 11 月 15 日);TokenHub 刊例价 5 折到 2026 年 12 月 31 日。 ...

November 15, 2026 · 3 min · 

pi 教程:极简终端 AI agent 实测——安装、接 Ollama、和 omp 对比

本文安装、命令部分已在 Ubuntu 26.04 服务器上实测;Ollama 接入与只读任务实测已在 o3(arm02,Ubuntu 26.04 aarch64,2 核,11G 内存)上补完,见第五节。2026 年 11 月 14 日更新:换 9B 模型再测,pi 调动了工具(但答案卡在 thinking 里),见第六节。2026 年 11 月 19 日更新:改用 LLM API(Gemini)再测,不用拉模型、不用 GPU,7 秒多就出了正确的表,见第七节。 昨天实测了 omp,今天轮到它的“原作”:pi。一个跑在终端里的 AI 编程 agent,作者是 Mario Zechner(libGDX 的作者),MIT 开源。omp 就是在 pi 基础上 fork 出来再大幅扩展的,所以把 pi 搞明白,omp 的很多设计选择也就看懂了。本文只写实测过的内容:安装、命令、配置目录、那个静默卡住的坑和 Ollama 接入都是亲手跑过的;1.5B 小模型那节没跑通就明说没跑通。 pi 的理念是“越薄越好”:内置只有 4 个工具——read、write、edit、bash,系统提示词不到 1000 token,没有子 agent、没有权限弹窗、没有 plan mode,其他功能都靠扩展。1.0 之后加了 MCP 和 codemode。换句话说,它故意不做“大而全”,把选择权留给用户:要什么自己装扩展,不要的它也不塞给你。这个项目迭代很快,10 月中旬文档里还是 1.2.0,我 11 月 11 日实测装到的已经是 1.5.2,pi update 可以随时跟进新版本。 ...

November 11, 2026 · 4 min · 

pip 26.3 安全策略变了:装 wheel 不再默认安全,实测哈希校验漏洞已修

pip 26.3 在 2026 年 11 月 2 日发布。这次没有新功能,是一次安全收紧,三个变化要放在一起读:安全政策改写、安装期的 import 拦截从警告变成报错、修了一个哈希校验漏洞。背景是 10 月份的 eMudhra 弱 CA 密钥事件,整个 Python 打包生态都在补证书和收紧信任链。下面是实测过程和结果,环境是 Python 3.15.2,两个虚拟环境分别装 pip 26.2.2 和 pip 26.3 做对照。 变化一:安全政策改写,“装 wheel 不跑代码”被删了 pip 26.2 的 SECURITY.md 里写过一句话:“Installing a wheel does not run code from it”(装 wheel 不会运行其中的代码)。这句话寿命很短:2026 年 7 月 11 日才随 PR #14164 进入主分支,7 月 29 日随 26.2 首次发布。26.3 把它删了,我拉了 26.3 标签上的 SECURITY.md 原文,现在写的是: Because Python’s import system is dynamic, pip cannot guarantee that installing a wheel will not execute third-party code. ...

November 10, 2026 · 4 min · 

用 omp 管理 Nginx + Python 应用 + MySQL + Redis:从安装到日常运维

最近很火的 omp.sh,本名 Oh My Pi(命令行叫 omp),是一个跑在终端里的 AI 编程 agent。它由 Can Bölük 在 Mario Zechner 的 Pi 基础上 fork 并大幅扩展,开源 MIT 协议,GitHub 仓库是 can1357/oh-my-pi。它火的原因很直接:不绑 IDE、不收订阅费,模型自己接,内置了 LSP、调试器、子 agent、计划模式等一整套工具。 但先把一句话说清楚:omp 不是宝塔、不是 1Panel、不是部署工具,它不会替你“管理服务器”。它真正能做的是:坐在你的管理机上,读你的服务器清单和规则,按你的话去 SSH 到各台机器上执行命令、改配置、看日志、做检查,然后把结果汇报给你。本文就是这套用法:先实测安装,再给一个能直接抄走的运维工程。 一、安装部署(实测) 先读脚本,再跑脚本 官网给的一键安装是: curl -fsSL https://omp.sh/install | sh 管道安装是方便,但直接往 sh 里灌之前,先把脚本下下来看一眼,这是个好习惯。我就这么干的: curl -fsSL https://omp.sh/install -o omp-install.sh wc -l omp-install.sh 脚本 389 行,关键信息都在头部注释里:仓库 can1357/oh-my-pi,包名 @oh-my-pi/pi-coding-agent,默认装到 ~/.local/bin,预编译二进制来自 https://build.stencil.so 且会做 sha256 校验。支持三个选项:--source(走 Bun 从源码装)、--binary(强制用预编译二进制)、--ref(指定版本或分支)。 我这台机器有 Bun 1.4.4,正好卡在脚本要求的最低版本 MIN_BUN_VERSION="1.4.4" 上,所以安装走了 Bun 路径。跑完脚本的输出是: installed @oh-my-pi/pi-coding-agent@18.18.6 with binaries: - omp 63 packages installed [24.82s] warn: To run "omp", add the global bin folder to $PATH: /home/hatch/.bun/bin ✓ Installed omp via bun Run 'omp' to get started! 注意那个 warn:装完第一时间 omp --version 会报 command not found,因为二进制在 ~/.bun/bin,不在默认 PATH 里。补上就行: ...

November 10, 2026 · 5 min · 

Python 3.15 上手实测:lazy imports 提速 + Tachyon 采样分析

Python 3.15.0 在 2026 年 10 月 9 日发布,比原计划晚了 8 天,原因是临发布前又出了一个意外的第三个候选版(rc3),修 lazy import 的 bug。这次发布一共 5,643 次提交、1,012 位贡献者。我装的是 3.15.2,用 uv 一条命令装好,两个最值得试的新东西都实测了一遍:PEP 810 的 lazy import 和 PEP 799 的 Tachyon 采样分析器。下面是真实过程和真实输出。 安装:一条命令拿到 3.15.2 系统自带的是 Python 3.12,用 uv 装新版最快: uv python install 3.15 实测下载 36.4 MiB,15.92 秒装完。验证: ~/.local/share/uv/python/cpython-3.15.2-linux-x86_64-gnu/bin/python3 --version Python 3.15.2 下面所有实测都用这个解释器跑,记为 python3.15。 lazy import:启动时间省在哪 Python 启动慢,很多时候不是代码慢,是 import 慢:解释器要找文件、读磁盘、编译成字节码,再执行模块顶层的代码。PEP 810 给的办法是显式延迟加载,在 import 前面加一个 lazy: lazy import json lazy from pathlib import Path lazy 是软关键字,只在 import 语句开头才有特殊含义,你原来代码里叫 lazy 的变量不受影响。模块不会在 import 那一行加载,而是等到代码第一次用到这个名字时才真正加载,之后就是一个完全普通的模块。 ...

November 9, 2026 · 3 min · 

Python 的 llm 0.37:一行命令接入大模型,默认模型还便宜了一半

如果你平时要在终端里快速问大模型一个问题,或者想在 Python 脚本里调模型,Simon Willison 写的 llm 是最顺手的工具之一:它既是一个命令行工具,也是一个 Python 库,模型和密钥都用一套配置管起来。2026 年 11 月 2 日它发布了 0.37 版(随后还有 0.37.1 修复版),攒了大约两个月的更新。这篇文章就是这次更新的上手记录,所有命令都在 Python 3.12.3 的环境里实际跑过。 0.37 更新了什么 先说结论,四个值得注意的变化: 新模型:OpenAI 插件里多了 gpt-6.1-sol 和 gpt-6.1-terra,装好就能用 llm -m 指定。 接第三方端点变简单了:新命令 llm openai endpoint add,可以把任何 OpenAI 兼容的 API(比如 OpenRouter、本地的 Ollama、llama.cpp 服务,或者公司的代理)注册进来,不用再手改配置文件。 默认模型换了,也便宜了:如果你之前没有自己设过默认模型,新装的默认模型从 gpt-5.6-luna 换成了 gpt-6-luna,价格大约是原来的一半。 向量(embeddings)支持多模态内容类型:库层面现在能声明二进制内容的类型,命令行里对应的是 llm embed --binary 配合 --attachment-type 指定 MIME 类型。这是 Gemini Embedding 2 这类模型需要的,因为它能同时处理文本、音频、图片和视频。 另外一个小花絮:这次的修复来自 12 位贡献者,作者说几乎全是 AI 辅助提交的 PR,评审负担比预想的轻。 安装和验证 推荐用 pipx 或者 pip 安装,装的是命令行工具本身: ...

November 8, 2026 · 2 min ·