slvDev
精选
esp32-ai
A 28.9 million parameter language model runs on an $8 ESP32-S3 microcontroller entirely on-device, generating simple stories at about 9.5 tokens per second.
AI 仓库情报摘要
FR-AI / ANALYSIS为什么值得关注
它拥有 1,290 维的人设 schema，并发布经质量过滤的 100 万人设核心数据集；同时提供可复现的任务运行、共享遥测和可视化 Playground，便于对模拟用户开展系统化评估。
适合谁使用
- AI 评估与安全研究人员
- 需要验证交互体验的产品与 UX 团队
- 需要人设化测试场景的 LLM Agent 开发者
- 研究模拟用户方法论的学术社区
典型使用场景
- 在问卷、聊天机器人、Web 和原生 App 任务中运行可复现的人设驱动评估
- 在真实发布前用异质化模拟用户对 AI 产品进行压力测试
- 利用 Persona 1M 数据集研究合成人设生成与人类标注对齐
- 开发并注册带验证器的自定义评估任务，通过 Playground 或 CLI 运行
项目优势
- 1,290 维人设 schema，覆盖背景、心理、能力与行为
- 发布 100 万人设核心数据集，结合依赖感知合成生成与人类证据感知校准
- 内置四种任务环境，并支持外部适配器与任务自有验证
- Apache-2.0 许可，基于 Docker/uv 提供可复现 Harbor 任务与可视化 Playground
使用前须知
- 明确定位为仿真工具，不能替代真实人群证据
- 需要 Docker、uv、Python 3.12、Node.js 等环境，且人设代理示例需要模型 API 密钥
- 大型生成数据集不在 git 中，需单独下载；自定义任务开发涉及多个组件
README 快速开始
Installation
项目描述
Simulate Before Reality.
相关仓库与替代方案
根据分类、Topic 和编程语言匹配的相似项目。
gavamedia
精选
deltafin
Deltafin is a research project that runs the 2.8-trillion-parameter Mixture-of-Experts model Kimi K3 on a single Apple Silicon Mac (e.g., M1 Max with 64 GB) at about 16 seconds per token, using exact, reproducible inference with local or streaming expert loading.
jamesob
精选
local-llm
A comprehensive guide for building and configuring a high-end local machine to run state-of-the-art LLMs, with detailed hardware choices, BIOS tuning, and Docker-based model serving.