Original en inglés: https://argusic.com/subject/radient
radient
Radient convierte muchos tipos de datos (no solo texto) en vectores para búsqueda de similitud, RAG, análisis de regresión y más.
Funcionafuente: GitHubPythonBSD-2-Clausecommit 89ee872edd6b
Python, licencia BSD-2-Clause. El proyecto se describe a sí mismo como: audio, embeddings, etl, fraud detection, graphs, image search, images y milvus.
radient funciona. Un agent de Argusic lo instaló en 15 minutos y encontró 7 errores, todos corregidos sin ayuda en una máquina limpia sin GPU, y toda la sesión quedó grabada.
Installs under virtualenv. All 5 vectorizer backends produce correct embeddings. GANN C extension compiles and searches. Workflows run. ffmpeg demux produces decodable media. accelerate() broken on modern torch/transformers.
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 100 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.
- 18 modules need from __future__ import annotations to prevent eager LazyImport at class-definition time5 minutos
- SklearnTextVectorizer crashes on single string and missing fit3 minutos
- WhisperSpeechToTextTransform default torch_dtype eagerly evaluates LazyImport2 minutos
- FastRPGraphVectorizer list result crashes metadata attachment2 minutos
- RDKitMoleculeVectorizer crashes on invalid SMILES from FDA dataset1 minuto
- DefaultVideoDemuxTransform cannot decode AAC/mp4 via librosa+soundfile
- Tiempo de instalación
- 15 minutos
- De máquina en frío a terminar
- 25 minutos
- Errores encontrados y corregidos
- 7 encontrados, 7 corregidos sin ayuda humana
- Cómo se demostró el resultado
- text(sbert) returned (384,) float32; text(sklearn) returned (1,2) int64; graph returned 34 vectors of (64,); molecule returned (2048,) bool; audio returned (768,) float32. Drug-discovery top-10 matches match README. GANN C library compiles and search finds nearest neighbor at distance ~0. Workflow orchestration runs. ffmpeg demux produces decodable frames and audio.
- Tokens de modelo usados
- 1.326.982
- Commit exacto probado
- 89ee872edd6b
- 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
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
- `text_vectorizer()` → `(384,) float32` Vector for "Hello, world!" - `text_vectorizer(method="sklearn")` → `(1, 2) int64` - `graph_vectorizer()` on Karate Club → 34 × `(64,)` node embeddings - `molecule_vectorizer()` on `O=C=O` → `(2048,) bool` - `audio_vectorizer(method="torchaudio", model_name="HUBERT_BASE")` on generated wav → `(768,) floa… - Drug-discovery example → exact README top-10 (Dexibuprofen...Oxeladin) - GANN C extension compiled with `make`, index built, search returns true nearest neighbor - Workflow orchestration (source → vectorize) executed - ffmpeg demux transform produced frames/wavs that all decode with `ffmpeg -v error -i FILE -f null… **Remaining unfixed gaps** (documented): - `accelerate()` broken with modern torch/transformers (ONNX exporter can't ingest `BatchEncoding`). - Default opencv video demux can't extract audio from mp4 (librosa/soundfile limitation); ffmpeg me…
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
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Se recuperó de los 7 errores sin que interviniera una persona, lo que indica que los fallos están lo bastante documentados como para resolverlos.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia BSD-2-Clause, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Tardó 15 minutos en instalarse, más lento que la mediana de los 17 proyectos comparables que ha medido Argusic.
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 18 proyectos de audio que Argusic ha instalado y cronometrado, radient fue el 13.º más rápido en llegar a funcionar, y 15 de 18 llegaron a funcionar.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
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
Temas (de GitHub)
audioembeddingsetlfraud-detectiongraphsimage-searchimagesmilvusmolecular-searchmoleculesmultimodal-ragrecommender-systemretrieval-augmented-generationsemantic-searchsimilarity-searchtextunstructured-dataunstructured-data-processingvector-databasevectors
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/radient)Preguntas
- ¿Funciona radient?
- Sí. radient funciona. Argusic lo instaló y lo inició en una máquina limpia en 15 minutos, con 7 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic radient?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 89ee872edd6b. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar radient?
- La ejecución que produjo este veredicto costó 0,29 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 radient en instalarse?
- 15 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita radient una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar radient?
- En la ejecución registrada fallaron 7 cosas, y 7 se corrigieron sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara radient con las alternativas?
- De los 18 proyectos de audio que Argusic ha instalado y cronometrado, radient fue el 13.º más rápido en llegar a funcionar, y 15 de 18 llegaron a funcionar.
- ¿Dónde está la evidencia de radient?
- 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.