Original en anglais: https://argusic.com/subject/radient
radient
Radient transforme de nombreux types de données (pas seulement le texte) en vecteurs pour la recherche de similarité, le RAG, l'analyse de régression, et plus encore.
Fonctionnesource : GitHubPythonBSD-2-Clausecommit 89ee872edd6b
Python, sous licence BSD-2-Clause. Le projet se décrit ainsi : audio, embeddings, etl, fraud detection, graphs, image search, images et milvus.
radient fonctionne. Un agent Argusic l'a installé en 15 minutes et a rencontré 7 erreurs, toutes corrigées sans aide sur une machine propre sans GPU, et toute la session a été enregistrée.
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.
Ce que l'agent a obtenu sur une machine propre, dans ses propres mots. Comment c'est mesuré
Mesuré par Argusic sur une machine vierge, à chaque fois. Chaque chiffre renvoie à ses preuves. Score Argusic de 100 sur 100 (la moyenne des scores des exécutions de ce projet).
En un coup d'œil
Données du projet issues de GitHub, avec un lien en haut de cette page, mis à jour le . Données de test d'Argusic (CC BY 4.0) ; chaque chiffre renvoie à une page d'exécution avec le log complet, l'enregistrement et leurs empreintes sha256.
Ce qui a été mesuré
Tiré de l'exécution qui a décidé ce verdict. Chaque ligne est une valeur enregistrée, pas une estimation.
Ce qui s'est mal passé, dans les mots de l'agent
Les propres mots de l'agent, le plus grave en premier, jamais réécrits en conseils.
- 18 modules need from __future__ import annotations to prevent eager LazyImport at class-definition time5 minutes
- SklearnTextVectorizer crashes on single string and missing fit3 minutes
- WhisperSpeechToTextTransform default torch_dtype eagerly evaluates LazyImport2 minutes
- FastRPGraphVectorizer list result crashes metadata attachment2 minutes
- RDKitMoleculeVectorizer crashes on invalid SMILES from FDA dataset1 minute
- DefaultVideoDemuxTransform cannot decode AAC/mp4 via librosa+soundfile
- Temps d'installation
- 15 minutes
- De la machine vierge à la fin
- 25 minutes
- Erreurs rencontrées et corrigées
- 7 rencontrées, 7 corrigées sans aide humaine
- Comment le résultat a été prouvé
- 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 modèle utilisés
- 1 326 982
- Commit exact testé
- 89ee872edd6b
- Image de conteneur
- sha256:cdd920bce783
Ce qui n'a pas été mesuré
L'autre moitié, pour que vous voyiez exactement jusqu'où vont ces preuves. Une lacune est affichée comme une lacune et n'est jamais comblée.
- Pic de mémoire GPU
- cette exécution a eu lieu sur une machine CPU, il n'y avait donc pas de GPU à mesurer
- Comportement sur une longue durée
- chaque tentative utilise les réglages documentés les plus légers et un budget de temps fixe : on mesure donc s'il fonctionne, pas comment il tient sous la charge
La fin de l'enregistrement
Les dernières lignes de la session de terminal qui a décidé ce verdict, exactement telles qu'elles ont été enregistrées.
- `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…
Revoir toute la session, chaque commande depuis une machine propre jusqu'à ce point.
Comment le test a été mené
Un agent, un conteneur, aucune aide humaine. Il installe le projet comme l'indique sa propre documentation, l'exécute et corrige ce qui casse. Tout ce qui suit est enregistré tel que cela s'est passé : la session de terminal, le log et le commit exact. La méthode complète.
Points forts et limites
Des faits mesurés, pas des opinions. Comment ce site est rédigé.
Ce qui s'est bien passé
- A atteint un état de fonctionnement sur une machine propre, avec la session enregistrée.
- S'est remis des 7 erreurs sans intervention humaine, ce qui indique que les échecs sont assez bien documentés pour être résolus.
- A fonctionné sans GPU, il n'en a donc pas besoin pour démarrer.
- Sous licence BSD-2-Clause, selon son hébergeur.
Ce qui ne s'est pas bien passé, ou n'est pas connu
- Installation en 15 minutes, plus lente que la médiane des 17 projets comparables mesurés par Argusic.
- Mesuré une seule fois jusqu'ici. Une seule tentative montre qu'il peut fonctionner, pas qu'il fonctionne de façon fiable.
Sur les 18 projets audio qu'Argusic a installés et chronométrés, radient a été le 13e plus rapide à atteindre un état de fonctionnement, et 15 sur 18 en ont atteint un.
Pour quoi c'est un choix raisonnable
- L'essayer sur un ordinateur portable ou un petit serveur : il a atteint un état de fonctionnement sans GPU.
Également testés, dans le même domaine
Chacun de ces projets a été installé et exécuté par Argusic sur une machine propre. Rien n'apparaît ici sans avoir été testé.
Historique des exécutions
| testé par | tentative | résultat | score | coût USD | date |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Fonctionne | 100,00 | 0,29 |
Sujets (depuis GitHub)
audioembeddingsetlfraud-detectiongraphsimage-searchimagesmilvusmolecular-searchmoleculesmultimodal-ragrecommender-systemretrieval-augmented-generationsemantic-searchsimilarity-searchtextunstructured-dataunstructured-data-processingvector-databasevectors
Intégrer le badge
Markdown pour le README du projet. Il renvoie vers cette page ; conditions sur la page des conditions.
[](https://argusic.com/subject/radient)Questions
- radient fonctionne-t-il ?
- Oui. radient fonctionne. Argusic l'a installé et lancé sur une machine propre en 15 minutes, en rencontrant 7 erreurs en route, et a enregistré la session.
- Comment Argusic a-t-il testé radient ?
- Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit 89ee872edd6b. Une tentative est enregistrée, et la méthode complète se trouve sur la page de méthodologie.
- Combien a coûté le test de radient ?
- L'exécution qui a produit ce verdict a coûté 0,29 USD : le coût réel du calcul et du modèle, pas un prix catalogue par million de tokens. Il est enregistré sur la page de cette exécution.
- Combien de temps faut-il pour installer radient ?
- 15 minutes lors de l'exécution qui a décidé ce verdict, d'une machine propre à un état de fonctionnement. Il s'agit d'une tentative mesurée, pas d'une moyenne.
- radient a-t-il besoin d'un GPU ?
- Pas pour démarrer. Argusic a atteint un état de fonctionnement sur une machine sans GPU.
- Qu'est-ce qui pose problème lors de l'installation de radient ?
- 7 problèmes sont survenus lors de l'exécution enregistrée, et 7 ont été corrigés sans aide humaine. Chacun, avec le temps qu'il a coûté, est listé sur cette page.
- Comment radient se compare-t-il aux alternatives ?
- Sur les 18 projets audio qu'Argusic a installés et chronométrés, radient a été le 13e plus rapide à atteindre un état de fonctionnement, et 15 sur 18 en ont atteint un.
- Où sont les preuves pour radient ?
- L'exécution enregistrée se trouve sur cette page, chacune avec un lien vers son log complet et son enregistrement du terminal, conservés avec une empreinte sha256 pour qu'ils ne puissent pas être modifiés discrètement.