追光

[追光]

Ableton Live 12.2中的新功能

1、生成音频到新轨道

现在，只需点击几下，就可以将任何MIDI或音轨（包括所有处理）上的片段生成为音频到新的音轨上，或使用Bouce轨道就位将整个音轨转换为音频。

提示：这个功能在多年前的logic上就有，非常好用。

---

2、自动过滤器

Ableton live的核心音频效果——但它在12.2中听起来和看起来都像新的一样。尝试Vowel、DJ和Comb等创意滤波器类型，并借助Auto Filter的改进调制部分、新的混音控制和实时可视化，以更高的精度塑造声音。汽车过滤器也将在今年晚些时候出现在Move and Note上。

---

3、Expressive Chords

支持MPE的Max for Live设备，适用于Live 12 Intro、Standard和Suite，可一次一个键就直观地探索有趣的和弦和进展。在传统按键和音阶的范围外进行创作，使用听起来不错的东西，并使用MIDI和MPE控件获得更具表现力和自然的结果

---

4、更轻松地搜索、标记和浏览
Live的浏览器经过重新设计，可更高效地查找和整理内容。新的“快速标签”面板允许直接在浏览器中查看、编辑和分配标签。过滤器视图已经简化，其隐藏功能也变得更加容易被发现。可以使用一系列新图标自定义边栏中任何标签和用户文件夹的外观，浏览器可以同时查看多个元数据列。

[追光]

📸 摄影棚中《光的平方反比定律》的实践应用详解

在摄影棚环境中，光的平方反比定律 是控制布光强度、塑造氛围和精准曝光的重要理论依据。无论是棚拍人像、产品摄影还是视频布光，该定律都能为你提供清晰可控的技术支撑。

---

什么是光的平方反比定律？

光的平方反比定律说明：点光源发出的光强度随距离的平方成反比。换句话说，光源离拍摄对象越远，单位面积上的光照强度就衰减得越快。

数学表达：

\(I = \frac{P}{4\pi d^2}\)

• I：目标处的光照强度
• P：光源发出的总功率
• d：光源到物体的距离

---

📐 应用举例：灯距变化对光强的影响

灯光距离 (米)	相对光强度
1	100%
2	25%
3	11.1%
4	6.25%

这意味着——灯距翻倍，光强变为原来的四分之一；灯距变成原来的一半，光强增强 4 倍。

---

🎯 实际场景中的应用

1. 布光平衡调整

在拍摄多人物或产品时，你可能需要不同灯照亮不同区域。如果某一盏灯距离目标较远，你可以通过以下方式保持亮度一致：

\(I_1 \cdot d_1^2 = I_2 \cdot d_2^2\)

这个公式允许你在 不改变功率的前提下，通过调节距离 让光照更均衡。

---

2. 光圈与灯距联动计算

摄影中常见的场景是：你想换光圈或快门速度，但又不想改变画面亮度。这时可以用以下公式计算新的灯距：

\(d_2 = d_1 \cdot \frac{f_2}{f_1}\)

使用举例：
当前光圈为 f/4，灯距为 2 米。
如果你想换成 f/2.8，求新的灯距：

\(d_2 = 2 \cdot \frac{2.8}{4} = 1.4 \text{ 米}\)

🔍 解释： 光圈越大（f 值越小），进光量越多，为了维持原来的亮度，灯必须拉近到更短的距离。

---

3. 控制光感与柔和度

光源越靠近主体：

• 光照越强，对比越大，阴影边缘越硬；
• 适合强调面部结构或塑形质感。

光源越远：

• 光线分布越均匀，阴影边缘越柔；
• 适合拍摄皮肤质感、产品广告或需要柔和光的布光风格。

---

🔧 棚拍建议小技巧

• 使用柔光箱、反光伞时，光线被扩散，虽然总光量不变，但局部光强降低，仍然受平方反比定律影响。
• 对比观察曝光前后变化，可以拍摄一组固定参数样片，仅调整灯距，观察亮度衰减。
• 搭配 测光表或直方图工具 实时检查光强变化是否符合预期。

---

光的平方反比定律不仅是一个物理公式，更是摄影棚布光的底层逻辑。

精准控制曝光而无需反复试错；
高效搭建多灯位系统；

合理分配主光与辅光的功率与位置；
快速适应不同拍摄需求，提高拍摄效率。

[追光]

EQ（Equalization，均衡器）本质上是一个频率选择性的增益函数：

频谱图（如 Ableton 的 Spectrum、FabFilter 的 Analyzer）实时显示 X(f)；EQ 滤波器实际影响的是 H(f)；混音时，我们观察频谱并视觉定位问题频段，然后手动绘制 H(f) 来进行补偿或增强。

EQ 不是“修音”，是“重塑频率能量分布”，本质是用数学曲线，对声音进行“能量雕刻”。

它作用于信号的频谱，在特定频率区域 放大（Boost） 或 削减（Cut） 能量。

【音频技术】什么是EQ均衡器( Equalizer )？有哪些类型？【图文详解】

---

在数学上：

一个 EQ 可以看作是一个 线性时不变系统（LTI），其效果可用卷积描述：

y(t) = x(t) * h(t)

其中：
x(t) 是输入信号
h(t) 是 EQ 的脉冲响应
* 表示卷积运算
y(t) 是处理后的输出信号

---

频谱角度看 EQ

信号的频谱是通过 傅立叶变换（Fourier Transform） 获得的：

X(f) = ∫ x(t) * e^(-j2πft) dt

应用 EQ 实际上就是将一个频谱 X(f) 乘以一个频率响应 H(f)：

Y(f) = X(f) × H(f)

换句话说：EQ 就是在频域上进行的乘法滤波，每个 EQ 滤波器类型对应一个特定形状的频率响应 H(f)。

[追光]

Pinecone向量数据库的在线使用方法

Pinecone 是一个专为机器学习和人工智能应用设计的托管向量数据库服务。它主要用于存储、检索和管理高维向量数据（如嵌入向量），并支持高效的相似性搜索（Similarity Search）。Pinecone 的核心目标是帮助开发者轻松构建和部署基于向量的应用程序，例如推荐系统、语义搜索、异常检测等。

---

1. 登录并创建项目
访问 Pinecone 网站：打开 [Pinecone 官网]并登录账户。
进入仪表板：成功登录后，将看到一个仪表板界面。
创建新项目：在免费层级（Free Tier）下启动一个新项目。点击“创建项目”按钮，并为项目命名。

---

2. 获取 API 密钥
导航到 API 密钥选项卡：在仪表板中找到并点击“API 密钥”选项卡。
检查默认密钥：如果已经有一个名为“默认”的 API 密钥，则可以直接使用它。如果没有，点击“创建 API 密钥”按钮生成一个新的密钥。
显示并复制密钥：点击眼睛图标（👁️）以显示密钥的值，然后将其复制并妥善保存。这个密钥将在后续步骤中用于身份验证。

---

3. 创建索引
选择索引名称和维度：在仪表板中，点击“创建索引”按钮。为索引指定一个名称，并设置其维度（Dimension）。
注意：索引的维度应与您在 AI 引擎设置中的嵌入向量维度相匹配。例如，在“AI 默认环境 > 嵌入”中找到嵌入模型的维度，并确保它们一致。
选择配置选项：使用“按型号设置”选项，根据需求选择合适的配置（如性能模式、Pod 类型等）。
完成创建：确认设置后，点击“创建”按钮以生成索引。

---

4. 获取主机值
查找主机地址：在索引创建完成后，可以从仪表板中找到该索引的“主机”（Host）值。
记录主机值：将主机值复制下来，因为需要在 AI 引擎中使用它来连接到 Pinecone 服务。

[追光]

Qdrant向量数据库部署方法以及使用方法

Qdrant 是一个高性能的向量搜索引擎，专为存储和检索高维向量数据而设计。它支持语义搜索、推荐系统、图像检索等应用场景。Qdrant 提供了开源版本以及在线托管服务（Qdrant Cloud），开发者可以轻松部署和使用。以下是 Qdrant 的基本使用流程：

一、安装Qdrant（使用docker安装）
1、拉取静像
docker pull docker.m.daocloud.io/qdrant/qdrant

---

2、运行镜像（在运行前必须要设置api密钥）
docker run -d -p 6333:6333 -p 6334:6334 -e QDRANT__SERVICE__API_KEY=密钥 -v /挂载的磁盘路径/:/qdrant/storage --name NewVFX_Vector docker.m.daocloud.io/qdrant/qdrant:latest

---

3、默认在 localhost:6333 运行
打开浏览器输入地址后即可打开管理界面，这里会弹出密钥验证，输入运行时候设置的密钥即可。

---

4、创建数据库

PUT collections/star_charts
{
  "vectors": {
    "size": 1024,
    "distance": "Dot"
  }
}

//star_charts 是数据库名（随意更改），size是数据库维度，不同的Emb模型有不同的数据维度；distance是计算方式。

---

5、创建好数据库后，在应用内连接
服务器：localhost:6333 ；数据库名：star_charts；apikey：密钥

---

6、数据库的备份和还原
Qdrant支持数据库快照，可以将数据库打快照并下载备份，也可以上传快照进行还原。

点击进入数据库后，点击Snapshot，即可创建快照并下载。也可以在collection界面上传快照对数据进行还原。

---

---

二、 Qdrant 在线托管数据库的使用方法

Qdrant Cloud 提供完全托管的在线数据库服务，无需管理底层基础设施。自动扩展功能，适应不同规模的工作负载。

以下是使用 Qdrant 托管数据库 的详细步骤：

1. 访问 Qdrant Cloud,并注册一个新账户。

---

2. 创建集群
登录后进入控制台 ，将看到 Qdrant Cloud 的管理界面。

创建新集群
– 点击“Create Cluster”按钮。
– 选择适合需求的配置（如性能模式、区域位置等）。
– 输入集群名称，并确认创建。

等待集群启动
创建完成后，Qdrant 将分配一个托管的集群实例。可以在控制台中查看集群的状态和详细信息。

---

3. 获取 API 密钥和连接信息

API 密钥
在 Qdrant Cloud 控制台中，找到集群详情页面，复制生成的 API 密钥。这个密钥用于身份验证。

主机地址
同样在集群详情页面中，您可以找到分配给您的 主机地址（例如：`https://your-cluster-id.aws.qdrant.cloud`）。这是与 Qdrant 集群交互的入口。

[追光]

3. 向量数据库
向量数据库（Vector Database）用于存储、索引和高效检索 高维向量，常用于 语义搜索、推荐系统、异常检测 等场景。例如，文本、图像、音频都可以转换为向量，以便进行相似性搜索。将数据转换为 嵌入向量，嵌入向量存储与检索。

Pipecone

Qdrant

Pinecone 和 Qdrant 进行对比，选择更适合你的 向量数据库需求？

两者都是 高效的向量数据库，但它们有一些关键区别：

Pinecone vs. Qdrant 对比

特性	Pinecone	Qdrant
部署方式	云端 SaaS（Pinecone 提供托管）	本地部署 / 自托管（Docker, Bare Metal）
存储格式	向量存储（索引自动管理）	向量 + 元数据（可定制索引）
索引技术	HNSW（自动管理）	HNSW（可自定义参数）
查询方式	仅向量搜索	向量 + BM25 关键词搜索
多维度支持	需要单独索引不同维度的向量	可以存储不同维度的向量（如 768、1024、1536、3572）
可扩展性	自动扩展，适用于大规模应用	需要手动扩展，但控制权更强
访问控制	API Key 认证	API Key 或 自定义身份验证
适合场景	商业 SaaS，简单集成	需要自定义，部署灵活

---

向量数据库在进行 近似最近邻搜索（ANN） 时，通常需要计算向量间的相似度。以下是几种常见的相似度度量方式：
1. 余弦相似度（Cosine Similarity）
特点：衡量两个向量的方向是否相似（角度越小，相似度越高）,适用于文本搜索、推荐系统（例如嵌入模型生成的文本向量）.

2. 欧几里得距离（Euclidean Distance）

特点：衡量两点间的直线距离;适用于 像检索、空间数据分析

3. 曼哈顿距离（Manhattan Distance / L1 距离）
特点：适用于高维稀疏数据（如推荐系统中的用户行为数据）

[追光]

FRPC批量端口号代理与泛域名解析配置方法

这个配置文件是 Frp 客户端（frpc） 配置的一部分，使用了 Go 模板语法 来生成多个代理配置。它的作用是根据 端口范围 来动态生成多个 TCP 代理。接下来，我将详细解释每个部分：

parseNumberRangePair 是一个自定义函数（假设是为了处理端口范围），将字符串 “888-999” 转换为一个端口范围。例如，888到 999。
•第一个参数 “888-999” 是表示端口范围的字符串。
•第二个参数 “888-999” 是备用参数或者用于其他配置逻辑。
•range 是 Go 模板的关键字，允许遍历 parseNumberRangePair 返回的结果。这使得我们能够为端口范围内的每个端口动态生成代理配置。

# frpc.toml
{{- range $_, $v := parseNumberRangePair "888-999" "888-999" }}
[[proxies]]
name = "Jisongbin-{{ $v.First }}"
type = "tcp"
localIP = "127.0.0.1"
localPort = {{ $v.First }}
remotePort = {{ $v.Second }}
transport.useEncryption = true
transport.useCompression = true
{{- end }}

泛域名解析
在这个配置中，主要的作用是设置 Frp 客户端（frpc） 中的反向代理，特别是通过 泛域名解析 来映射本地服务。

自定义域名（customDomains），这行配置特别重要，因为它涉及到 泛域名解析（Wildcard DNS）。*.xxx.com 表示匹配 所有 以 xxx.com 结尾的子域名。使用这个配置后，Frp 会接收所有 xxx.com 下的子域名请求，它们都会被转发到本地服务上。当使用大量子域名的情况，使用泛域名解析非常方便。

[[proxies]]
name = "xxx"
type = "http"
localPort = 80
localIP = "198.19.249.118"
transport.useEncryption = true
transport.useCompression = true
customDomains = ["*.x.xxx.com"]

[追光]

各产商的大模型部署并在工作中投入生产使用的大模型选择

这里的测试方面的数据为硬件平台直接输出，而感受与总结方面尽可能做到客观，但难免会有主观之处：

1、除了deepseek开源，还有其他开源大模型么

deepseek是公开发布并可以下载的模型，开源对我们来说是非常有益的事情，同时我们也应关注更多的开源产商LLaMA、Qwen、Mistral，google的开源模型群，微软的、ibm等，每个产商的模型都是成千上万技术人员的劳动成果，通过各种算法集合了人类的智慧，也就决定了不同的大模型具备的核心能力也有所区别，作用用户我们要打开视野，多使用不同的模型，从计算成本、计算效率、结果的可靠性三个方面来选择最适合我们工作流的模型。

未完待进一步补充～～

经过若干测试，对工作非常有用且效率非常高的模型，M1 pro 16GB即可流畅运行：

1、claude-3-5-sonnet-20241022-GGUF：Claude 3.5 Sonnet 在自然语言理解（NLU）和生成（NLG）方面表现出色，能够处理复杂问题、生成高质量文本，并支持多语言。当然众所周知，Claude在代码编写方面的巨大潜力，使用它来进行代码写作是非常好的选择。在M芯片上有着出色的性能表现。

16.43 tok/sec•990 tokens•14.87s to first token•Stop reason: User Stopped

---

2、Qwen2.5-14B-Instruct-4bit：支持苹果的MLX框架，专为 Apple Silicon优化。 是阿里巴巴通义千问系列中的一个优化版本，专为高效推理和低资源消耗设计。它基于 Qwen2.5-14B 模型，经过量化处理（4-bit 量化），在保持高性能的同时显著降低了硬件需求，适合在资源受限的环境中部署。

17.27 tok/sec • 488 tokens•29.33s to first token•Stop reason: EOS Token Found

---

3、Mistral-Nemo-Instruct-2407-4bit：支持苹果的MLX框架，专为 Apple Silicon优化。是由 Mistral AI 开发的一系列先进语言模型中的一个优化版本，专注于高效推理和低资源消耗。该模型基于 Mistral 的基础架构，并通过量化技术（4-bit 量化）进行了优化，使其能够在资源受限的环境中运行，同时保持高性能。

24.77 tok/sec•231 tokens•1.27s to first token•Stop reason: EOS Token Found

---

4、Meta-Llama-3.1-8B-Instruct-4bit：支持苹果的MLX框架，专为 Apple Silicon优化。是由 Meta 开发的 Llama 系列语言模型中的一个优化版本，专注于高效推理和低资源消耗。该模型基于 Llama 3.1 架构，经过指令微调（Instruct-tuning）优化，并通过 4-bit 量化技术进一步压缩，使其能够在资源受限的环境中运行，同时保持较高的性能。

36.08 tok/sec•949 tokens•0.51s to first token•Stop reason: User Stopped

---

5、Llama-3.2-11B-Vision-Instruct-4bit：支持苹果的MLX框架，专为 Apple Silicon优化。是由 Meta 开发的多模态语言模型，基于 Llama 系列的最新版本（Llama 3.2），专注于高效推理和低资源消耗。该模型结合了文本理解和视觉处理能力，能够处理图像和文本的多模态任务。通过 4-bit 量化技术优化，它能够在资源受限的环境中运行，同时保持较高的性能。在M1pro芯片上运行效率很慢，但是对图片的理解能力很强，适合分析图片，虽然速度慢，但也能满足一般需求。

---

6、Phi-4：是由 Microsoft Research 开发的一系列小型语言模型（Small Language Models, SLMs）中的最新版本。Phi 系列模型专注于在较小的参数规模下实现高性能，特别适合资源受限的环境和特定任务优化。Phi-4 在继承前代模型优势的基础上，进一步提升了性能、效率和适用性。

---

7、Gemma-2-9B-IT-4bit：支持苹果的MLX框架，专为 Apple Silicon优化。是由 Google 开发的一系列紧凑型语言模型中的优化版本，专注于高效推理和低资源消耗。该模型基于 Gemma 2 架构，经过指令微调（Instruction Tuning, IT）优化，并通过 4-bit 量化技术进一步压缩，使其能够在资源受限的环境中运行，同时保持较高的性能。

28.55 tok/sec•88 tokens•1.09s to first token•Stop reason: EOS Token Found

[追光]

在Mac M1pro上使用lm studio和ollama的感受

1、效率与速度
LM Studio使用GGUF模型比Ollama反应速度更快20%，如果在LM Studio中使用苹果M芯片框架的MLX比GGUF还要快30%，在效率和配置效率方面LM Studio更高效。

拿DeepSeek R1:14B执行相同的任务来说
在Ollama上达到，9.34 tokens/s，在LM Studio使用GGUF：13.4 tokens/s，而MLX可以达到18.43 tokens/秒。

此外，LM Studio的内存占用也比Ollama低，尤其是在处理大规模数据时，LM Studio的内存占用会更少，这使得它在处理大规模数据时更加高效。

2、配置与api远程调用扩展方面

Ollama的生态非常成熟，比如通过FRPS内网映射到外网在WordPress等网站、应用中调用，Ollama配套的组件丰富，很容易就可以实现对接。

如果想要将部署好的模型从内网发布到公网，可以参照我以前写过的文章，也都是我自己部署的记录：

Linux上部署Frps与Mac上Frpc的配置方案详细记录

LM Studio的API接口和Open AI的完全一样，也可以直接修改API.openai.com/v1等接口为自己的IP/域名实现远程API对接，需要自己动手。我将LM Studio对接到Ai Engine这个组件上，几乎是重写了整个接口才得以实现。而Ollama有已经开发过的组建，（当然需要付费）。

此外，LM Studio也支持多种API接口的扩展，包括但不限于Open AI、Google Cloud AI Platform等，这使得它可以与更多的第三方服务集成。

3、大小模型混合并行计算输出

LM Studio提供了草稿模型（Speculative Decoding）选择，包括但不限于GGUF、MLX等，这使得用户可以根据自己的需求选择合适的小模型。同时进行并行计算输出，大幅度提高运行效率。

将大模型与小模型配对。草案模型应该比主模型小得多，并且来自同一个家族。例如，您可以使用Llama 3.2 1B作为Llama 3.1 8B的草稿模型。

运行原理：草案模型会首先运行，快速预测接下来的几个tokens是“草稿”。紧接着，草稿模型生成的令牌要么被主模型确认，要么被拒绝，然后和主模型共同解决问题。

大小模型运行监测：还可以打开已处理的草稿生成的Tokens和主模型的显示，这样能显示当前的回复中哪些是从草稿模型生成，哪些是从主模型生成的。绿色越多越好。

大小模型局域网调用支持：还可以通过LM Studio的本地服务器使用Speculative Decoding，可以得到丰富的生成统计数据。

---

总而言之，LM Studio和Ollama都有其优点和缺点。需要根据自己的需求选择合适的工具，当然如果硬件是M芯片的，首选MLX，要让计算速度快一点，硬件投入是巨大的。

[追光]

这涉及到整个Pipeline构建，多种软件之间协同，数据传递，多方面的生产线构建问题，单纯靠现有软件原始功能不能实现。等将来我们做Pipeline方面教程和服务时候，会陆续发布出来。

这里的话题中有详细讲解了从原始素材到最终剪辑的流程：
合成的流程—反求摄像机—摄像机导入到三维软件—–最终合成—-剪辑。先合成，最后再来剪辑，就能保持正常的节奏啦～～

[追光]

这个速度太慢啦，达不到Raw视频的正常写入水平，拷贝Mov进去的速度至少要达到70MB/S，现在仅有29MB/s，也就意味着如果你把分辨率设置为720时候应该是可以连续写入的。我现在的卡拷贝Mov的实际速度是 180MB/S，4K可以连续拍摄。

• 该回复由 追光 于 1 天 前 修正。

[追光]

4S会自动停止，意味着卡的速度低于内存中的数据需要写入的速度，然后内存满了。

这个速度是卡的速度限制，卡的速度即使是最快的卡，也达不到机器的速度。还可以设置分辨率的裁切比例，帧速率，分辨率来选取一个适合自己配置的设置，另外卡的真实速度和标称速度要实际测试。实际写入速度需要大于100MB/s，可以用大文件拷入进行测试。

比如我的5D3的机器，标配的卡录制2秒就停了，换了雷克沙的高速卡，单镜头能达到4分钟就已经足够使用了，一个镜头一个镜头的拍。Raw的视频包含元数据非常大。我的配置不到20分钟的镜头，64GB卡就满了。

Raw视频适合高标准，有着严格拍摄脚本的广告、剧情一类的制作，不太适合即兴拍摄，因为后期流程也和胶片差不多。适合像拍电影一样的拍，每个镜头都思考好了再开始，很像胶片拍摄的流程。

[追光]

MLV.App功能强大，界面清晰，更新速度非常快，更加符合现代化的制作方式。MlRawViewer是最早期的制作人拍摄Raw视频的方式，制作方式更加传统，比如默认导出为DNG序列，然后在AE或者达芬奇中进行处理。

魔灯具有自己独立的网格模式，需要在魔灯菜单里面设置，当然还有更多佳能官方没有的模式，包括峰值对焦之类，可以从社区内菜单的翻译上查看更多功能，我比较常用的是延迟拍摄、峰值对焦、还有低帧速率视频。和佳能的网格模式相当于是俩个不同的操作系统，不可以混用。

[追光]

你好，本篇文章讲述的就是如何直接将3DEqualizer计算好的畸变数据作为一个独立的节点，直接传输给Nuke，而不需要进行渲染。如果非要渲染出来作为参考视频导入到三维软件进行对位测试，在nuke中渲染即可。

可以采用这样的流程：

3DEqualizer—-导出畸变数据到Nuke—-导出去除畸变的素材给三维软件参考使用
三维软件中输出制作好的匹配模型动画—-导出模型或者渲染图—-导入到Nuke—-添加3DEqualizer畸变。

这样即可让三维渲染保持和原始视频一致的畸变，更加真实。

[追光]

是可以追踪定机位的，技术流程请参考这一篇：

【PFTrack教程】如何反求定点摇动摄像机运动轨迹？（gif图文详解）

如果在反求镜头追踪的同时，还需要追踪车辆轨迹，可以使用复合追踪流程：

【PFTrack教程】如何跟踪画面中的运动物体？（视频详解）

另外不管是PFtrack还是3DEqualizer都可以导出选择的物体为坐标数据，TXT文本。我以前用这个方法交换不同软件的追踪数据。但是要注意，不同软件的位置标记记录算法比例可能不同。

[作者]

帖子