与「本地部署」相关的搜索结果

嫌 OpusClip 又贵又带水印？ 刚才看了一个开源替代，叫 SupoClip。 整套 AI 视频切片的管线全开源了。 支持 Docker 本地部署，还能接 Ollama。 人脸追踪、卡点字幕和高光评分都有。 丢个长视频进去，自己跑不用看别人脸色。

我用同一段提示词在本地部署的qwen 3.8 flash next下生成出来的产物跟它的竟然主题一模一样 都是打无人机 摧毁目标点 COD码头地图 PBR渲染，提示词就这么简短一句话让你做3A游戏，从头到尾都没提到上述任何元素，交的答案竟然能一样。。。 只能说明这题目是用了相同训练数据集，或者是互相蒸馏出来的

目前本地部署的 AI 服务栈基本凑齐了，链路如下： 🎙️ ASR：QwenASR + Whisper 🗣️ TTS：IndexTTS + BreezyTTS 🎵 音乐：Yue2 + MiniMax Music 🖼️ 图像：QwenImage 2.1 🧠 LLM：Qwen3.8 27B 🎬 视频：MiniMax H3 + LTX 2.5 从语音识别、语音合成、音乐、图像、大模型到视频生成，本地自建服务一条龙

家人们，Hugging Face又整活了！ 最近有人在上面发了个几乎没审查的本地模型：DeepSeek-V4-Pro-Qwen3.5-9B-UNCENSORED（heretic版）。 简单说，就是拿Qwen3.5 9B当底，用DeepSeek-V4-Pro的推理数据蒸馏出来的，然后再用Heretic把拒答行为砍得差不多了——官方测的拒答从100/100直接掉到3/100。 量化后大概5-6G，笔记本或者普通电脑都能轻松跑。开源、本地部署，不用再交订阅费，也不用被Claude、GPT、Gemini那些闭源模型一句话一个安全准则卡住。 想自由问问题、写点更直白的内容、或者生成一些少儿不宜的提示词，都可以自己试试。省心还省钱。 链接： 本地跑起来，想怎么玩就怎么玩😎

本地无审查大模型的地下军火库今天彻底齐活了 从 8GB 入门卡到 24GB 满血工作站，Hugging Face 三大破甲顶流（Huihui、HauhauCS、DavidAU）把 Qwen 家族最凶残的 5 款无甲神作全放出来了。不仅切掉了烦人的道德说教锁，还完整保留了多模态视觉（Vision）与 MTP 多 Token 极速预测。 直接按你手头的显卡显存对号入座抄作业： 01 全能六边形战神：Huihui Qwen3.8 27B Abliterated 目前本地综合实力最强的破甲王牌之一，逻辑智商在线，原生保留视觉识图能力。 · 16GB 显存：直接冲 UD-IQ4_XS 或 IQ4（约占 14.4GB，黄金甜点档） · 24GB 显存：直接上 Q4_K_M 或 Q5 满血稳跑 · 极简启动：ollama run huihui_ai/Qwen3.8-abliterated仓库地址： 02 暴力狂暴破甲：HauhauCS Qwen3.8 27B Uncensored Aggressive 如果你嫌常规消融不够狠，这款走的是极其激进的深度破甲路线，几乎零拒答，同样带 MTP 加速与多模态视觉。 · 16GB 显存：选 IQ4_XS（约占 15.7GB，刚好卡满显存极限） · 24GB 显存：直接上 Q4 / Q5 仓库地址： 03 极速 MoE 闪电炮：Huihui Qwen3.6 35B-A3B Abliterated MTP 35B 的大身板，但底层是 MoE 混合专家架构，每次推理仅激活约 3B 参数，吐字速度快到飞起，支持视觉。 · 12–16GB 显存：跑 IQ3 / IQ4 配合专家卸载（建议系统内存 32GB+ 兜底） · 24GB 显存：直接全塞进显存跑 Q4，丝滑起飞 仓库地址： 04 激进破甲 + 极速吞吐：HauhauCS Qwen3.6 35B-A3B Aggressive 把 HauhauCS 最凶狠的激进去审查手法塞进了 35B-A3B 的 MoE 架构里，既要完全听话不拒答，又要极致生成速度的兄弟选它。 · 16GB 显存：IQ3 / IQ4 + 专家卸载 · 24GB 显存：Q4_K_M（约 21GB）完美吃满单卡上限 仓库地址： 05 8G 显存小钢炮：Qwen3.5 9B Defiant / Heretic 系列 DavidAU 操刀的 NEO-IMATRIX 极限调校版，搭载 Heretic 消融算法与 MTP，小体积榨出恐怖表现，轻量本首选。 · 8GB 显存：毫无压力轻松秒开 · 12–16GB 显存：显存极其宽裕，剩下的空间直接把上下文长度拉爆 仓库地址： 省流选型指南： · 追求极致智商与多模态全能：无脑冲 01 或 02（27B Dense） · 追求秒级吐字速度与高吞吐：选 03 或 04（35B MoE） · 8G 显卡或轻薄本长文本：直接锁死 05（9B Heretic） 本地跑大模型最爽的就是彻底摆脱云端审核与封号焦虑，搞红队测试、角色扮演和私有 Agent 的兄弟建议先把这份军火库马住备用。 你现在主力机的显卡显存是多少 G？平时更喜欢跑满血 Dense 模型还是飞快的 MoE 架构？ #AI# #大模型# #Qwen# #开源# #Ollama# #本地部署#

这两天全网都在拿刚发布的 Claude Fable 5.2 测写代码，我换了个更刚需的玩法：既然现在大家最关心的是自己和家人的健康，干脆把 Theta Health 开源（Apache-2.0）的健康数据引擎 Mirobody 挂进 Claude Code，让 Fable 5.2 调它的本机离线医学词表，把 mirobody-gen 生成的 18 份跨机构虚拟体检单、5 年手表数据和中英日对照读数现场洗干净，做成了一份 2026 身体年度报告与跨年体检趋势看板（见图）。 不用部署也不用 API Key，一行命令就能把它的离线引擎挂进 Claude Code 当 MCP： claude mcp add mirobody -- uvx --python 3.12 mirobody mcp 为什么要让 Fable 5.2 调这个 MCP，而不是直接把体检单丢给大模型心算？因为跨医院、跨语言的体检数据直接喂给模型太容易翻车了——比如同样从美国的 mg/dL 换算成国内的 mmol/L，胆固醇要除以 38.67，而空腹血糖要除以 18.02。 挂上 Mirobody（1.6.1） 后，你手上的中文、英文检查报告就能真正放在一起看：它从 LOINC 2.83 切出了 63,416 个编码、1,023,273 条名称（含 21 种语言）和 331 个 UCUM 单位，常规体检项目在中、英、日、俄、爱沙尼亚、土耳其 6 种语言上的覆盖测试达到 347/347。本机实测它把英文的 LDL Cholesterol 82.8 mg/dL、日文的 LDLコレステロール 82.8 mg/dL（落到质量浓度 LOINC 13457-7）和中文的 低密度脂蛋白胆固醇 2.14 毫摩尔每升（落到摩尔浓度 LOINC 22748-8）全部对齐，经 convert_unit 按各自的换算系数精准转换（2.14 mmol/L ↔ 82.74 mg/dL）；6 家机构、3 种不同写法的 15 次糖化血红蛋白 也全部统一到 LOINC 4548-4 连成了一条五年趋势线。 更好玩的是本机实测时故意埋雷和抓到的几个真细节（见图）： 一是它的拒识边界极严，绝不瞎猜。我故意往 standardize_reading 塞了一条把血清白蛋白配成尿液单位的脏数据（Albumin 30 mg/24h）和一条笼统的 血脂 偏高，它直接返回 refused，明确提示白蛋白配了尿液才用的单位、分类词不给单项编码。在 18 份报告第一轮原样读出的 172 行里，150 行直接拿到编码，它拒绝了 22 行并逐行给出理由——比如血常规里缩写 PCT 配了 % 单位，通常是血小板压积，引擎没把它错编成降钙素原（PCT 的另一个常见意思），而是因单位对不上直接拒识；还有 Urea(BUN) 混写了尿素和尿素氮两个量、3 行血压把收缩压和舒张压印在同一格。第二轮我让 Fable 5.2 按拒识理由把那 3 行同格血压拆成 6 行（总行数变为 175 行），再去掉括号、把缩写展开成全称（如写全 Plateletcrit）重交，又有 22 行编上了码：最终 175 行里共 172 行拿到编码，只剩 3 行英文 Glycated albumin 仍未编码。 二是实测真抓到了几个 Edge Case：英文 Glycated albumin 暂未识别，但敲中文 糖化白蛋白 却能识别；测日文低密度脂蛋白时，不带横杠的 LDLコレステロール 秒识别，但中间加个半角连字符写成 LDL-コレステロール 就会返回 unresolved（因为引擎坚持只查词表绝不靠模型猜，刚好可以顺手给仓库提个词表 PR）；另外日记里的复合长句直接传给 standardize_complaint 会不认，必须让 Fable 5.2 先把单项症状拆出来再调工具，23 个症状精准编上了 22 个 ICPC-3 编码。 这次我在本机实测的是它最轻的离线词表、Apple Health 导入和 Claude Code MCP 链路，还没有在本地部署完整版 Web 应用。根据官方文档，完整版 Mirobody 可以把体检报告（PDF、照片、表格）、手环数据（Apple Health 等）和基因文件（WeGene、23andMe、AncestryDNA、VCF）整合进同一份 AI 读得懂的记录，支持用 Docker 100% 本地部署（16G 无卡电脑也能跑，Windows 需在 WSL 2 终端里执行），也可以接入其他 AI 模型；完整版回答里每个数字都标明来源，点开就能看到原文件。国内网页版（ Mirobody、以及海外版产品 Theta（ 提醒两点：接 Claude Code 这类云端工具时，你发给它的记录会发给对应的模型公司（所以我全程只用虚拟数据测试）；如果你部署完整版，设置里生成的 MCP 接入链接相当于密码，截图或录屏时必须打码。 截至 2026 年 11 月 11 日，Mirobody 在 GitHub 上已有 1,450 个星标，是 GitHub digital-health 话题下星标第 1 的项目。可以直接去 GitHub 跑通试试，觉得有用点个 Star，遇到没覆盖的医院报告写法也欢迎提 Issue 或 PR： （也可以先点开中文在线 Demo 体验，里面是两位虚拟成员的 2,019 条数据，想自己提问需要注册或自己部署： ）

各位 Vibe Coder 们，咱们天天看自己的 token 额度还剩多少，天天担心 Claude Code、Codex 的 IP 健不健康、会不会被封号，把这些 Coding Agent 伺候得妥妥帖帖。可有多久，咱们没真正关心过自己的健康了？ 你上次体检是几年前？我是 3 年前，前公司的入职体检 🤦🏻‍♀️ 更扎心的是：就算现在去补一次，新报告和 3 年前那份也很难放在一起看。换了医院，指标名就变了；在国外做的化验，单位都不一样。一份写 Total Cholesterol 193 mg/dL，一份写 总胆固醇 5.0 mmol/L，数字看着差了几十倍，其实几乎是同一个值。 我们给 agent 喂代码，都知道上下文没对齐就会出错。那健康数据呢？很少有人管。把两份报告一起丢给大模型，它能讲得头头是道，却未必知道这两个数说的是同一件事。数据层不先统一，模型再强也画不出一条对的趋势。 所以今天我拿 Theta Health 开源的 Mirobody（Apache-2.0）认真试了一遍，我只关注一个点：它能不能把同一项认成同一项。全程用的都是虚拟数据。 1. 在本地换算 193 mg/dL，结果是 4.99 mmol/L。「总胆固醇」和「total cholesterol」对到了同一个国际化验编码（LOINC 2093-3）。这一步没调模型，也没用 API Key。 2. 中文 demo 里，一开始只有一份报告。我问「我的胆固醇有什么变化？」，它老实说只有一个时间点：4.60 mmol/L。我又导入了一份 PDF 体检报告和一份 CSV 化验单，同样的问题，这次画出了一条趋势：4.60、4.45、4.38。两份报告的英文写法一份是「Total Cholesterol-TC」，一份是「Cholesterol, Total」，它都认成了同一项。每个读数都能点开原文件看。 3. 最让我放心的是：我输入「血脂 5.0 mmol/L」，它并没有硬猜，只是不给编码，因为「血脂」是一类检查，不是一项读数。写过代码的都懂，知道什么时候不该答，比什么都答更难得。 我还用 1.6.0 版本复跑了它仓库里公开的名称识别用例，347 项全部通过。这只说明公开用例在这个版本上的表现，不代表临床准确率。 没跑完的也照实说：16 GB 电脑上的全本地部署我还没试，这台机器上没装 Docker，磁盘空间也不够。下一篇补上实测。 给自己的 agent 做了那么多配置，也花一个周末给自己的健康数据搭个底子吧： 1. 先看中文 demo，里面是两位虚拟成员的数据： 2. 给 Claude Code 接上（官方提供的命令，不用部署，也不要 Key）： claude mcp add mirobody -- uvx --python 3.12 mirobody mcp 提醒一句：接 Claude Code 这类云端工具时，记录会发给对应的模型公司。 截至 11 月 9 日，它是 GitHub digital-health 话题下星标第 1 的项目。觉得有用，欢迎点个星，或者提 issue、PR： （然后，真的该去体检了啊。。。）

建议大家都去油管学 AI Agent，真的能打破信息差！ ① Jeff Su
节奏快、实用导向，适合普通人入门。他有大量把 Prompt、AI Agent、工具落地讲清楚的短视频（例如约 10 分钟的 AI Agents, Clearly Explained 播放量很高）。 内容直给，新手跟着做能上手。频道约 190 万订阅，风格轻松实用。 ② Andrej Karpathy
AI 领域真正的大神（前 Tesla AI、OpenAI 等）。他的 LLM 入门/深度讲解视频（1 小时版和更长的 Deep Dive）在圈内刷屏，原理、训练、应用讲得通俗，非技术背景也能跟上。干货密度极高。 ③ Tina Huang
前 Meta 数据工程师/科学家。录有《Building AI Agents In 44 Minutes》《AI Agents Fundamentals In 21 Minutes》等视频，擅长把复杂资料提炼成清晰框架和实操路径，非常适合作为入门第一课。频道约 140 万订阅。 ④ Dave Ebbelaar（Datalumina）
Datalumina 创始人，内容聚焦可落地的 AI 系统工程（生产级 Agent、架构、部署）和 AI 自由职业/创业建议。 实战导向，经验分享多，适合想真正做出系统的人。 ⑤ IBM Technology
IBM 官方频道，覆盖 AI、自动化、DevOps、量子等，常有领域专家讲解。内容广度好，解释相对严谨可靠，像一个小型 AI 知识库。适合建立系统性认知。 ⑥ Google Cloud Tech
Google Cloud 官方频道，更垂直深入（Vertex AI、Agent 相关、NotebookLM、实用工具等）。 如果说 IBM 更“广”，这个更“深”，尤其适合想用 Google 生态落地的人。 ⑦ Cole Medin
强烈推荐做 Agent 实操。重点讲生产级 AI Agent、n8n / LangGraph 全流程构建、本地部署、架构设计。 内容实战、有完整项目和仓库，适合从“会用”进阶到“能做出稳定系统”。在很多“学 Agent 必看”列表里常出现。 ⑧ Liam Ottley
偏商业落地和变现角度。有超长完整指南（如《How to Build & Sell AI Agents》），覆盖无代码/低代码构建、自动化业务、接单卖服务。 适合想把 AI Agent 技能直接变成收入的人。 ⑨ Andrew Ng / DeepLearningAI
Andrew Ng 是 AI 教育与实践的标杆人物。DeepLearningAI 频道有关于 Agentic AI、设计模式（reflection、tool use、planning、multi-agent）的短课程和讲解，质量高、结构清晰。 适合想建立扎实基础并理解“为什么这样设计”的人。 ⑩ Nate Herk
以 n8n + AI Agent 实操闻名，有完整的无代码/低代码 Agent 教程和长视频课程。 非常适合不想先写大量代码、又想快速做出能用的自动化 Agent 的人。 和 Cole Medin、Liam Ottley 互补。 学习建议（快速上手路径） 1.完全新手：Jeff Su + Tina Huang 先建立概念 → 再看 Karpathy 补原理。 2.想动手做：Tina Huang / Cole Medin / Nate Herk 跟做项目。 3.想做生意/自由职业：Liam Ottley + Dave Ebbelaar。 3.想系统扎实：Karpathy + Andrew Ng + IBM / Google Cloud 官方内容。 这些频道大多免费、更新相对及时，能有效打破信息差。 建议先看 1-2 个入门视频确认风格是否适合自己，再深入。 如果有具体方向（比如纯无代码、Python 工程、商业变现），可以再细化推荐。

阿里通义千问 Qwen4 系列发布在即！11 月 6 日晚，官方账号发图预热，配文庄子名句「北冥有鱼，其名为鲲」——鲲，正是 Qwen 的谐音。 亮点： 1. 一门四款：旗舰 Max、Plus、Flash，以及可在个人电脑本地部署的 27B； 2. 27B 最受关注：Qwen3.8 27B 已是本地大模型标杆，Qwen4 27B 有望接棒； 3. 四款 11 月至 12 月陆续亮相；此前 Qwen3.8 Flash Next 已作为新架构预览先行开源。 传闻旗舰参数或超 3 万亿，仍待官方确认。 #通义千问Qwen4#

最值得本地部署的两种模型： 1. 生图：Qwen Image 2.1 限制少，可玩性高。 2. 生视频：MiniMax H3 社区版本多，玩法也很野。 这俩一结合 基本就是， 想看什么，自己动手🤣