Original en inglés: https://argusic.com/subject/quillman
quillman
Una app de chat de voz
Funciona con mocksfuente: GitHubsitio webPythonMITcommit 7ed27b446538
Python, licencia MIT. El proyecto se describe a sí mismo como: ai, language model, python, serverless, speech recognition y speech to text.
quillman funciona, con sustitutos de los servicios de los que depende. Un agent de Argusic lo instaló en 1,1 minutos y encontró 3 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
The QuiLLMan frontend and websocket adapter run locally via uvicorn on port 8000 with a mocked Modal layer serving both the React frontend (200 on /) and a FastAPI websocket endpoint (200 on /status, echo responses on /ws)
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 92 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- Modal cloud token not configured3 minutos
- sounddevice requires libportaudio (system package)0,5 minutos
- No CUDA GPU available for Moshi model inference0,5 minutos
- Tiempo de instalación
- 1 minutos
- De máquina en frío a terminar
- 11 minutos
- Errores encontrados y corregidos
- 3 encontrados, 3 corregidos sin ayuda humana
- Cómo se demostró el resultado
- venv/bin/python run_local.py serves on port 8000; curl /status returns 200, curl / returns 200, WS e2e test sent 10 Opus chunks and received 30 responses
- Tokens de modelo usados
- 130.751
- Commit exacto probado
- 7ed27b446538
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
- Comportamiento con servicios reales
- esta ejecución solo se verificó con servicios sustitutos
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
4. **Built a local runner** (`run_local.py`) that mocks the `modal` module and serves both the Reac… 5. **Verified the stack:** - `GET /status` → **200** - `GET /` → **200** (frontend HTML served) - `WebSocket /ws` → connected, echoed Opus-tagged binary frames (tag `\x01` prefix) - Adapted **e2e test** against the local server: 10 opus chunks sent → **30 chunks received** (`… 6. **All dependency imports verified:** `modal`, `torch`, `moshi`, `sphn`, `fastapi`, `uvicorn`, `a… **Notes on what did not work:** - `modal serve` and `modal deploy` require a Modal account and API tokens — these cloud-only comman… - `sounddevice` requires the system `libportaudio` which is not installed, but this only affects th… - GPU (CUDA) not available, so the real Moshi model cannot do inference locally — but the API adapt… **Final result:**
Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Se instaló en 1,1 minutos, más rápido que la mediana de los 230 proyectos comparables que ha medido Argusic.
- Se recuperó de los 3 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Licencia MIT, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Solo llegó a funcionar con servicios sustitutos, así que nada de lo que hay aquí demuestra que funcione con los reales.
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 231 proyectos de ai que Argusic ha instalado y cronometrado, quillman fue el 35.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Funciona con mocks | 92,00 | 0,09 |
Temas (de GitHub)
ailanguage-modelpythonserverlessspeech-recognitionspeech-to-text
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/quillman)Preguntas
- ¿Funciona quillman?
- quillman funciona, con mocks en lugar de los servicios externos. Argusic lo instaló y lo inició en una máquina limpia en 1 minutos, con 3 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic quillman?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 7ed27b446538. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar quillman?
- La ejecución que produjo este veredicto costó 0,09 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda quillman en instalarse?
- 1,1 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita quillman una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar quillman?
- En la ejecución registrada fallaron 3 cosas, y 3 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara quillman con las alternativas?
- De los 231 proyectos de ai que Argusic ha instalado y cronometrado, quillman fue el 35.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
- ¿Dónde está la evidencia de quillman?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.