Original em inglês: https://argusic.com/subject/esp32-ai
esp32-ai
Executafonte: GitHubPythonMITcommit 52ebcbbd9052
Python, licença MIT.
esp32-ai executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 9 minutos e não encontrou nenhum erro, e a sessão inteira foi gravada.
All 259 tests pass. Python model builds, runs forward and generation passes, and quantization functions work correctly.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 100 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
- Tempo de instalação
- 9 minutos
- Da máquina limpa até o fim
- 3 minutos
- Erros encontrados e corrigidos
- 0 encontrados, 0 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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
- Tokens de modelo usados
- 25.646
- Commit exato testado
- 52ebcbbd9052
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
"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
Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Chegou a um estado de execução em uma máquina limpa, com a sessão gravada.
- Nada quebrou no caminho: zero erros entre o clone e a execução.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Levou 9 minutos para instalar, mais devagar que a mediana dos 46 projetos comparáveis que a Argusic mediu.
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Dos 47 projetos de Python que a Argusic instalou e cronometrou, esp32-ai foi o 39º mais rápido a chegar a um estado de execução, e 28 de 47 chegaram a esse estado.
Para que é uma escolha razoável
- Testar em um laptop ou em um servidor pequeno: ele chegou a um estado de execução sem GPU.
- Uma avaliação rápida: ele estava executando 9 minutos depois do clone.
- Seguir o próprio README: o caminho documentado funcionou sem nada para corrigir.
Histórico de execuções
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/esp32-ai)Perguntas
- esp32-ai executa?
- Sim. esp32-ai executa. A Argusic o instalou e iniciou em uma máquina limpa em 9 minutos, encontrando 0 erros no caminho, e gravou a sessão.
- Como a Argusic testou esp32-ai?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 52ebcbbd9052. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar esp32-ai?
- A execução que produziu este veredito custou US$ 0,01: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar esp32-ai?
- 9 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- esp32-ai precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar esp32-ai?
- Nada deu errado na execução registrada: zero erros entre o clone e a execução.
- Como esp32-ai se compara às alternativas?
- Dos 47 projetos de Python que a Argusic instalou e cronometrou, esp32-ai foi o 39º mais rápido a chegar a um estado de execução, e 28 de 47 chegaram a esse estado.
- Onde estão as evidências de esp32-ai?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.