Original em inglês: https://argusic.com/subject/quillman
quillman
Um aplicativo de chat de voz
Executa com mocksfonte: GitHubpágina do projetoPythonMITcommit 7ed27b446538
Python, licença MIT. O projeto se descreve como: ai, language model, python, serverless, speech recognition e speech to text.
quillman executa, com substitutos para os serviços de que depende. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 1,1 minutos e encontrou 3 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
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)
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 92 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.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- Modal cloud token not configured3 minutos
- sounddevice requires libportaudio (system package)0,5 minutos
- No CUDA GPU available for Moshi model inference0,5 minutos
- Tempo de instalação
- 1 minuto
- Da máquina limpa até o fim
- 11 minutos
- Erros encontrados e corrigidos
- 3 encontrados, 3 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 7ed27b446538
- 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
- Comportamento com serviços reais
- esta execução foi verificada apenas com serviços substitutos
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
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:**
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
- Instalado em 1,1 minutos, mais rápido que a mediana dos 230 projetos comparáveis que a Argusic mediu.
- Recuperou-se de todos os 3 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Só chegou a um estado de execução com serviços substitutos, então nada aqui prova que ele funciona com os serviços reais.
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Dos 231 projetos de ai que a Argusic instalou e cronometrou, quillman foi o 35º mais rápido a chegar a um estado de execução, e 152 de 231 chegaram a esse estado.
Também testados, na mesma área
Cada um destes foi instalado e executado pela Argusic em uma máquina limpa. Nada aparece aqui sem ter sido testado.
Histórico de execuções
| testado por | tentativa | resultado | pontuação | custo USD | quando |
|---|---|---|---|---|---|
| Argusic Runner | 1/3 | Executa com mocks | 92,00 | 0,09 |
Tópicos (de GitHub)
ailanguage-modelpythonserverlessspeech-recognitionspeech-to-text
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/quillman)Perguntas
- quillman executa?
- quillman executa, com mocks no lugar de serviços externos. A Argusic o instalou e iniciou em uma máquina limpa em 1 minutos, encontrando 3 erros no caminho, e gravou a sessão.
- Como a Argusic testou quillman?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 7ed27b446538. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar quillman?
- A execução que produziu este veredito custou US$ 0,09: 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 quillman?
- 1,1 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- quillman 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 quillman?
- 3 coisas quebraram na execução registrada, e 3 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como quillman se compara às alternativas?
- Dos 231 projetos de ai que a Argusic instalou e cronometrou, quillman foi o 35º mais rápido a chegar a um estado de execução, e 152 de 231 chegaram a esse estado.
- Onde estão as evidências de quillman?
- 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.