Ja. esp32-ai läuft. Argusic hat es auf einer sauberen Maschine in 9 Minuten installiert und gestartet, ist dabei auf 0 Fehler gestoßen und hat die Sitzung aufgezeichnet.

Wie hat Argusic esp32-ai getestet?

Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 52ebcbbd9052. Ein Versuch ist aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.

Was hat der Test von esp32-ai gekostet?

Der Lauf, der diesen Befund ergab, kostete 0,01 USD: echte Rechen- und Modellkosten, kein Listenpreis pro Million Tokens. Der Betrag ist auf der Seite dieses Laufs aufgezeichnet.

Wie lange dauert die Installation von esp32-ai?

9 Minuten in dem Lauf, der diesen Befund entschieden hat, von einer sauberen Maschine bis zum lauffähigen Zustand. Das ist ein gemessener Versuch, kein Durchschnitt.

Braucht esp32-ai eine GPU?

Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.

Was geht bei der Installation von esp32-ai schief?

Im aufgezeichneten Lauf nichts: null Fehler zwischen Klonen und laufendem Zustand.

Wo ist der Nachweis für esp32-ai?

Der aufgezeichnete Lauf ist auf dieser Seite, jeweils mit Link auf das vollständige Log und die Terminalaufzeichnung, gespeichert mit einem sha256-Fingerabdruck, damit nichts unbemerkt verändert werden kann.

Englisches Original: https://argusic.com/subject/esp32-ai

esp32-ai

LäuftQuelle: GitHubPythonMITCommit 52ebcbbd9052

Python, Lizenz MIT.

esp32-ai läuft. Ein Argusic-Agent hat es in 9 Minuten installiert und ist auf keine Fehler gestoßen. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.

All 259 tests pass. Python model builds, runs forward and generation passes, and quantization functions work correctly.
Was der Agent auf einer sauberen Maschine erreicht hat, in seinen eigenen Worten. So wird gemessen

Von Argusic jedes Mal auf einer frischen Maschine gemessen. Jede Zahl verlinkt auf ihren Nachweis. Argusic Score 100 von 100 (der Mittelwert der Lauf-Scores dieses Projekts).

Auf einen Blick

Befund: Läuft
Argusic Score: 100 / 100
Kosten des verifizierenden Laufs: 0,01 USD (gemessen)
aufgezeichnete Läufe: 1
zuletzt getestet: 2026-10-01
Sterne: 4.630
Forks: 626
offene Issues: 23
Beobachter: 60
Größe: 1 MB
erstellt: 2026-07-23
letzter Push: 2026-09-23

Projektdaten von GitHub, oben auf dieser Seite verlinkt, aktualisiert 2026-11-04. Testdaten von Argusic (CC BY 4.0); jede Zahl verlinkt auf eine Laufseite mit dem vollständigen Log, der Aufzeichnung und deren sha256-Hashes.

Was gemessen wurde

Aus dem Lauf, der diesen Befund entschieden hat. Jede Zeile ist ein aufgezeichneter Wert, keine Schätzung.

Installationszeit: 9 Minuten
Von der kalten Maschine bis zum Ende: 3 Minuten
Aufgetretene und behobene Fehler: 0 aufgetreten, 0 ohne menschliche Hilfe behoben
Wie das Ergebnis belegt wurde: python -m unittest discover -s tests exited 0, 259 passed in 7.6s; python -c 'from model import TinyLM,Config; m=TinyLM(Config()); logits,_=m(torch.randint(0,4096,(2,64)))' produced correct shape torch.Size([2,64,4096]); python -c 'from quantize import quantize_groupwise; quantize_groupwise(torch.randn(4,128))' returned correct shape
Verbrauchte Modell-Tokens: 25.646
Genau getesteter Commit: 52ebcbbd9052
Container-Image: sha256:cdd920bce783

Was nicht gemessen wurde

Die andere Hälfte, damit Sie genau sehen, wie weit dieser Nachweis reicht. Eine Lücke wird als Lücke angezeigt und nie aufgefüllt.

Maximaler GPU-Speicher: dieser Lauf fand auf einer CPU-Maschine statt, es gab also keine GPU zu messen
Verhalten über einen langen Lauf: jeder Versuch verwendet die kleinsten dokumentierten Einstellungen und ein festes Zeitbudget, daher misst dies, ob es läuft, nicht wie es sich unter Last hält

Das Ende der Aufzeichnung

Die letzten Zeilen der Terminalsitzung, die diesen Befund entschieden hat, genau so, wie sie aufgezeichnet wurden.

  "install_succeeded": true,
  "launch_succeeded": true,
  "install_minutes": 9,
  "errors": [],
  "test_depth": "tier1_real",
  "notes": "No issues encountered. Created a Python 3.12 venv, installed torch and dependencies via…
  "verified_how": "python -m unittest discover -s tests exited 0, 259 passed in 7.6s; python -c 'fr…
  "final_state": "All 259 tests pass. Python model builds, runs forward and generation passes, and …
}
---JSON_END---
tokens used
25,646

Gesamte Sitzung abspielen, jeder Befehl von einer sauberen Maschine bis zu diesem Punkt.

So wurde getestet

Ein Agent, ein Container, keine menschliche Hilfe. Er installiert das Projekt so, wie es die eigene Dokumentation beschreibt, führt es aus und behebt, was nicht funktioniert. Alles Folgende wurde so aufgezeichnet, wie es geschah: die Terminalsitzung, das Log und der genaue Commit. Die vollständige Methodik.

Stärken und Grenzen

Gemessene Fakten, keine Meinungen. Wie diese Inhalte entstehen.

Was gut lief

Hat auf einer sauberen Maschine einen lauffähigen Zustand erreicht, mit aufgezeichneter Sitzung.
Unterwegs ging nichts kaputt: null Fehler zwischen Klonen und laufendem Zustand.
Lief ohne GPU, braucht also keine, um zu starten.
Lizenz MIT, laut Angabe des Hosts.

Was nicht lief oder unbekannt ist

Die Installation dauerte 9 Minuten, langsamer als der Median der 46 vergleichbaren Projekte, die Argusic gemessen hat.
Bisher einmal gemessen. Ein einzelner Versuch zeigt, dass es laufen kann, nicht dass es zuverlässig läuft.

Von den 47 Projekten im Bereich Python, die Argusic installiert und zeitlich gemessen hat, belegte esp32-ai Platz 39 bei der Zeit bis zum lauffähigen Zustand, und 28 von 47 erreichten überhaupt einen solchen Zustand.

Wofür es eine vernünftige Wahl ist

Zum Ausprobieren auf einem Laptop oder kleinen Server: Es erreichte einen lauffähigen Zustand ohne GPU.
Für eine schnelle Evaluierung: Es lief 9 Minuten nach dem Klonen.
Nach der eigenen README: Der dokumentierte Weg funktionierte, ohne dass etwas zu beheben war.

Laufverlauf

getestet von	Versuch	Ergebnis	Score	Kosten USD	wann
Argusic Runner	1/3	Läuft	100,00	0,01	2026-10-01 10:18 UTC

Badge einbetten

Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.

[![Tested by Argusic](https://argusic.com/badge/esp32-ai.svg)](https://argusic.com/subject/esp32-ai)

Fragen

Läuft esp32-ai?: Ja. esp32-ai läuft. Argusic hat es auf einer sauberen Maschine in 9 Minuten installiert und gestartet, ist dabei auf 0 Fehler gestoßen und hat die Sitzung aufgezeichnet.
Wie hat Argusic esp32-ai getestet?: Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 52ebcbbd9052. Ein Versuch ist aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
Was hat der Test von esp32-ai gekostet?: Der Lauf, der diesen Befund ergab, kostete 0,01 USD: echte Rechen- und Modellkosten, kein Listenpreis pro Million Tokens. Der Betrag ist auf der Seite dieses Laufs aufgezeichnet.
Wie lange dauert die Installation von esp32-ai?: 9 Minuten in dem Lauf, der diesen Befund entschieden hat, von einer sauberen Maschine bis zum lauffähigen Zustand. Das ist ein gemessener Versuch, kein Durchschnitt.
Braucht esp32-ai eine GPU?: Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
Was geht bei der Installation von esp32-ai schief?: Im aufgezeichneten Lauf nichts: null Fehler zwischen Klonen und laufendem Zustand.
Wie schneidet esp32-ai im Vergleich zu Alternativen ab?: Von den 47 Projekten im Bereich Python, die Argusic installiert und zeitlich gemessen hat, belegte esp32-ai Platz 39 bei der Zeit bis zum lauffähigen Zustand, und 28 von 47 erreichten überhaupt einen solchen Zustand.
Wo ist der Nachweis für esp32-ai?: Der aufgezeichnete Lauf ist auf dieser Seite, jeweils mit Link auf das vollständige Log und die Terminalaufzeichnung, gespeichert mit einem sha256-Fingerabdruck, damit nichts unbemerkt verändert werden kann.