- 博客(11)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 2026-09-27-Qwen-Image-2.1-1660Ti本地部署实战
GTX 1660 Ti（6GB显存）通过GGUF Q4量化+int8_convrot优化，成功部署Qwen-Image-2.1，实测出图速度提升2.28倍至11.43秒/步，质量达8/10。结合ComfyUI低显存流式加载与补丁修复，实现15镜漫剧短片一夜跑完（单镜37~44分钟），验证了老硬件在合理优化下的生产力潜力。
2026-10-04 10:45:38
451
原创 【无标题】# AI Bridge：让多个 AI 编程工具在本地协同工作
请求：{"model":"agnes-2.0-flash","messages":[{"role":"user","content":"1+1=> 不写代码，当指挥官。- **AgnesCode 日志**：直接读取 `~/.agnes/state/logs/llm_request.*.jsonl`，聚合流式响应。请求：{"model":"glm-5.2","messages":[{"role":"user","content":"Say hi"}]}。*如果你也在同时用多个 AI 编程工具，欢迎试试。
2026-08-04 19:18:42
198
原创 # Qidi Agent v2.1.0：自适应编排 + 涌现度量，让多 AI 协作真正“1+1＞2“
但**多模型一起跑≠多模型协作**：如果只是各自干完然后选最好的，本质上还是"投票"，没有真正的"协作"。> 💡 **欢迎 Star、Fork、PR！** 这个问题在 v2.1.0 之前**没有任何工具能定量回答**。| **涌现度量体系** | 问题2：量化"1+1>2"的协作增益 | SynchronyMeter + EmergenceEvaluator || **任务编排** | 手动选工具 + 4 种路由策略 | 自适应推荐 + 6 种路由策略 + 3 种编排模式 | 🔥 革命性 |
2026-07-04 22:56:36
610
原创 # Qidi Agent v2.0.0 重磅发布：多模型并行编排，免费 AI 写代码堪比顶级 LLMs
**核心价值**：单个免费模型能力有限，但通过智能编排、质量检测和择优合并，最终输出可以媲美世界排名前 10 的模型——**无需支付昂贵的 API 费用**。> 💡 **欢迎 Star、Fork、PR！| **TaskExecutor 行数** | 678 | 526 | -22% || **测试覆盖率** | 53/53 | 58/58 | +5个测试 || **CI 状态** | ❌ lint 失败 | ✅ 通过 | 修复 || **多 Provider 支持** | ❌ | ✅ | 新增 |
2026-07-01 10:07:59
389
原创 ## QiDi Agent：开源的多AI编程工具统一编排平台（v1.2.0）＞ **让多个AI编程工具协同工作，隐私模式下代码永不离开本地**
*关键点**：云端工具看到的只是一个孤立的函数签名，没有任何业务上下文。| `-p, --provider` | 模型提供商：`ollama` / `openai` / `anthropic` | ollama || `-m, --mode` | 执行模式：`privacy` / `quality` | `privacy` || `-w, --workspace` | 工作目录 | `./workspace` |┌─ 你的电脑 ─────────────────────────────────┐。
2026-06-29 14:47:50
449
原创 # 建木OS v0.1.0 —— 3.15M 参数中文语义引擎，ESP32/ARM 离线语音 + 语义搜索，手表端 88.9% 精度验证通过
手表端对比原 bag-of-hash 方案：**88.9% vs 44.4%（+44.5%）**，老人机端：**85.7% vs 33.3%（+52.4%）**，21 条结构化断言全部通过。再小的 Asterisk（2.6M）和 all-MiniLM-L6-v2（22M）都是英文 only。|recall 延迟（WSL x86 + numpy）|12.9s（全量遍历）|**4ms（numpy 批量化）**|./v9v3_infer --test ./v9v3_weights.baize # 自检。
2026-06-27 20:52:03
1722
原创 # 建木OS Phase 1 技术进展报告
摘要：建木OS是一款专为资源受限嵌入式设备设计的Agent操作系统，聚焦离线语音交互与任务执行，推出老人机与智能手表两条产品线。老人机平台基于展锐/联发科功能机（512MB-1GB内存），支持用药提醒、健康监测等完整功能；智能手表平台采用Cortex-M7芯片（64-512KB内存），压缩版模型实现语音笔记等核心场景。技术核心包括自研V9v3系列嵌入模型（标准版12MB/lite版<2MB）、多Agent框架及信息素场协调机制。当前已完成推理引擎编译和基础意图管线搭建，正推进平台适配与模型优化，部分组
2026-06-21 17:53:24
652
原创 # 从V9v3到建木Agent OS：技术方案与当前进展
前置工作是V9v3（3.15M参数的中文嵌入模型）的边缘部署测试与生成能力验证，当前工作是在此基础上设计更轻量的模型，并规划一个以"信息素场"为通信机制的Agent OS原型。- 仅嵌入部分（V9v3一次forward）：2.84ms，约**0.014mAh**——一块200mAh电池可做约**14,000次**| 单token预测 | **收敛**（Loss 8.1→2.27，准确率81.5%） || CPU | **Cortex-M4/M7@100-200MHz** | 双核A系列 |
2026-06-20 00:03:30
620
原创 # V9v3：3.15M 参数的自研中文嵌入模型——从无人机到手表的边缘部署实测
**关键结论**：偏远地区 2G 网络下，V9v3(C) 12.3MB 传输仅需 **8 分钟**，而 bge-m3 需要 **13.3 小时**。| **V9v3 (C/JS)** | **3.15M** | **12.3MB / 64MB** | **零依赖 / Node.js** | **96 tokens** | **1024** || **偏远 2G 200Kbps** | **492s (8.2min)** | 2560s | 3200s | **48000s (13.3h)** |
2026-06-19 00:33:02
631
原创 V8 自研嵌入模型 vs bge-m3 全维度对标报告
但 V8 参数量仅为 bge-m3 的 **1/66**，以极小的代价实现了约 **60-70%** 的语义区分能力，性价比极为突出。| 参数量 | **1,648,712（1.65M）** | 110,000,000（110M） | V8 小 **66×** || 单次推理耗时 | **3.6 ms/emb** | ~570 ms/emb | V8 快 **158×** || 吞吐量 | **278 emb/s** | ~2 emb/s | V8 高 **139×** |
2026-06-16 13:30:51
452
原创 你的AI专属副驾驶
这不是一篇概念文章，而是一份工程验证报告。我们在一款桌面 AI 助手中，真正实现了三件事：① 自主进化系统：每次运行真实调 整模型权重，去重记忆、热度升权降级，已有 229 条训练样本；② 本地 Transformer 生成模型：从零实现 Embedding → 多头注意 力 → FeedForward → 真实 Adam 优化器，含可验证的前向/反向传播（损失 4.85 → 0.10）；③ 模型权重文件可导出、可检查、可回 退。文中附截图为证。最终形态一个预判你需要、提前为你准备好一切的助手。
2026-05-30 13:45:22
695
1
空空如也
闲置算力平台，调研。
2026-06-05
TA创建的收藏夹 TA关注的收藏夹
TA关注的人