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
它直击当前 AI 聊天的一大盲区（只看到最终文字），基于击键动力学研究（情绪分类准确率可达 75%），同时严格执行隐私设计：只存时间戳，从数据结构上就存不下内容。
适合谁使用
- 构建共情式对话 AI 的开发者
- 研究人机交互与情感计算的研究人员
- 希望为消息应用增添情感感知能力的产品团队
- 希望 AI 能感知用户犹豫的极客爱好者
典型使用场景
- AI 伴侣在发现你打了又删的文字后主动轻声问候
- 客服 AI 在用户发送消息前通过打字停顿察觉愤怒情绪
- 写作助手在长时间停顿（可能卡文）时提供鼓励
- AI 等待用户打完字，而不是在思考中途打断回复
项目优势
- 隐私优先：前端仅发送‘正在打字’的请求（内容为空），后端只存时间戳，数据结构无法存储文本
- 轻量集成：前端仅需约 10 行代码，后端一个端点，外加一个守望进程即可运行
- 低开销：仅对真正的长考或犹豫增加几十 token，日常快问快答完全不加量
- 有学术研究支撑：击键动力学可区分十余种情绪状态，准确率约 75%
使用前须知
- 需要每 4 秒 ping 一次后端，用户可能觉得被追踪
- 情绪推断基于节奏，准确度有限，可能误判故意的停顿或快速打字
- 守望进程和 AI 主动发消息的能力并非所有场景都适用或需要
README 快速开始
快速开始（三步）
项目描述
Let your AI feel the hesitation in your typing. Rhythm only, never content.
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.