GitHub CLI（gh）是 GitHub 官方出品的命令行工具，让你不用打开浏览器就能完成绝大多数 GitHub 操作——创建仓库、提交 PR、管理 Issue、查看 CI 运行结果等，全部在终端搞定。它的核心价值在于：用 gh auth login 一次浏览器授权替代了以前繁琐的 SSH 密钥配置，同时把 GitHub 的工作流无缝嵌入到你的终端开发流程中。对于需要向开源项目提交代码、管理多个仓库、或者在服务器上自动化 GitHub 操作的开发者来说，gh 是一个值得上手的效率工具。

gh 指令：

bash
展开代码
gh auth status                    # 查看当前登录状态
gh repo list --limit 20           # 列出自己的仓库
gh pr create \
  --repo modelscope/ms-swift \        # 目标上游仓库
  --head xxddccaa:feat/xxx \          # 来源：fork用户:分支名
  --base main \                       # 目标分支
  --title 'PR标题' \
  --body '正文内容'                    # 创建 PR

下面是我整理的 gh 常用场景速查：

安装

Ubuntu / Debian

bash
展开代码
sudo mkdir -p /etc/apt/keyrings
curl -fsSL https://cli.github.com/packages/githubcli-archive-keyring.gpg \
  | sudo tee /etc/apt/keyrings/githubcli-archive-keyring.gpg > /dev/null

echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/githubcli-archive-keyring.gpg] \
  https://cli.github.com/packages stable main" \
  | sudo tee /etc/apt/sources.list.d/github-cli.list > /dev/null

sudo apt update && sudo apt install gh

CentOS / RHEL / Fedora

bash
展开代码
sudo dnf install 'dnf-command(config-manager)'
sudo dnf config-manager --add-repo https://cli.github.com/packages/rpm/gh-cli.repo
sudo dnf install gh

macOS

bash
展开代码
brew install gh

验证安装

bash
展开代码
gh --version

登录

方式一：浏览器授权（推荐，最简单）

bash
展开代码
gh auth login

按提示选择：

• GitHub.com（公有云）或 GitHub Enterprise（私有部署）
• 协议选 HTTPS
• 是否用浏览器登录选 Yes

浏览器会打开 GitHub 授权页，点击授权后自动完成，终端会显示 Logged in。

方式二：用 Token 登录（服务器无浏览器场景）

先去 GitHub 网页手动生成 Token：

Settings → Developer settings → Personal access tokens → Tokens (classic) → Generate new token

勾选权限：repo、workflow、read:org（按需）

然后在终端：

bash
展开代码
gh auth login
# 选择 HTTPS，最后选 "Paste an authentication token"
# 粘贴刚才生成的 token

或者直接用环境变量（CI 场景常用）：

bash
展开代码
export GH_TOKEN=your_token_here
gh auth status   # 验证是否生效

验证登录状态

bash
展开代码
gh auth status

输出示例：

展开代码
github.com
  ✓ Logged in to github.com as xxddccaa
  ✓ Git operations for github.com configured to use https protocol.
  ✓ Token: *******************

Qwen3-Omni 多模态 Token 计算说明

本文说明在 LLaMA-Factory 中，使用 qwen3_omni_nothink 模板训练 Qwen3-Omni-30B-A3B-Instruct 时，视频与音频如何被编码成 token，以及如何从日志中的 grid_thw、时长等反推和验算 token 数量。

Qwen3-Omni 视频与音频 Token 机制详解

基于 Qwen3-Omni-30B-A3B-Instruct 模型，ms-swift 4.1.0.dev0 训练框架分析。

一、整体架构概览

Qwen3-Omni 处理视频+音频输入时，token 序列的整体结构为：

展开代码
<|im_start|>user
<|vision_start|><|audio_start|>
  [视频token与音频token交叉排列]
<|audio_end|><|vision_end|>
用户的文本 prompt...
<|im_end|>
<|im_start|>assistant
模型回复...
<|im_end|>

Qwen3-Omni 多模态 Token 计算深度解析：从训练到推理

本文以一个真实的视频剪辑教学样本为例，深入拆解 Qwen3-Omni 模型在 ms-swift 训练和 vLLM 推理中，视频帧采样、图像 resize、视频 token、音频 token 的完整计算过程，并对比两者的差异。

根据 vllm / vllm-omni 源码，视频请求在 Omni 里的处理方式可以总结如下。

OpenCode 源码解析：从用户提问到生成回答的完整工作流程

本文基于 OpenCode 源码分析，带你深入理解这个 AI 编程助手从接收用户输入到返回结果的完整链路。

整体架构

OpenCode 采用客户端-服务端分离架构，即使在 CLI 模式下也是如此。TUI（终端 UI）运行在主线程，Server 运行在 Worker 线程，二者通过 HTTP + SSE 通信：

Megatron SFT 长上下文训练显存优化指南

针对 Qwen3-Omni-30B-A3B-Instruct 模型，60K tokens 长上下文 Megatron SFT 训练场景。 基于 ms-swift 源码分析，所有参数引用均标注源码位置。

针对于我修改后的代码，可以这么统计每个样本的实际 token 长度：

随机抽 200 条（默认）

bash
展开代码
IMAGE_MAX_TOKEN_NUM=5000 USE_AUDIO_IN_VIDEO=true VIDEO_MAX_PIXELS=307200 \
python scripts/count_token_lengths.py \
  --model /mnt/cpfs/model/Qwen3-Omni-30B-A3B-Instruct \
  --dataset /mnt/cpfs/datasets/ShortsTemplateEdits/anno_jianying_mp4_seed18_train.jsonl \
  --num_samples 200 \
  --dataset_num_proc 16

抽 500 条

... --num_samples 500

全量统计

... --num_samples 0

输出 CSV

... --output_csv /tmp/lengths.csv