Original em inglês: https://argusic.com/subject/radient
radient
Radient transforma muitos tipos de dados (não apenas texto) em vetores para busca por similaridade, RAG, análise de regressão e muito mais.
Executafonte: GitHubPythonBSD-2-Clausecommit 89ee872edd6b
Python, licença BSD-2-Clause. O projeto se descreve como: audio, embeddings, etl, fraud detection, graphs, image search, images e milvus.
radient executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 15 minutos e encontrou 7 erros, corrigindo todos sem ajuda, e a sessão inteira foi gravada.
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.
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.
O que deu errado, nas palavras do agent
As palavras do próprio agent, das piores para as menores, nunca reescritas como conselho.
- 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
- Tempo de instalação
- 15 minutos
- Da máquina limpa até o fim
- 25 minutos
- Erros encontrados e corrigidos
- 7 encontrados, 7 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 89ee872edd6b
- 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.
- `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…
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.
- Recuperou-se de todos os 7 erros sem que uma pessoa interviesse, o que indica que as falhas estão documentadas o suficiente para serem resolvidas.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença BSD-2-Clause, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Levou 15 minutos para instalar, mais devagar que a mediana dos 17 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 18 projetos de audio que a Argusic instalou e cronometrou, radient foi o 13º mais rápido a chegar a um estado de execução, e 15 de 18 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.
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
Tópicos (de GitHub)
audioembeddingsetlfraud-detectiongraphsimage-searchimagesmilvusmolecular-searchmoleculesmultimodal-ragrecommender-systemretrieval-augmented-generationsemantic-searchsimilarity-searchtextunstructured-dataunstructured-data-processingvector-databasevectors
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/radient)Perguntas
- radient executa?
- Sim. radient executa. A Argusic o instalou e iniciou em uma máquina limpa em 15 minutos, encontrando 7 erros no caminho, e gravou a sessão.
- Como a Argusic testou radient?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 89ee872edd6b. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar radient?
- A execução que produziu este veredito custou US$ 0,29: 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 radient?
- 15 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- radient 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 radient?
- 7 coisas quebraram na execução registrada, e 7 foram corrigidas sem ajuda humana. Cada uma, com o tempo que custou, está listada nesta página.
- Como radient se compara às alternativas?
- Dos 18 projetos de audio que a Argusic instalou e cronometrou, radient foi o 13º mais rápido a chegar a um estado de execução, e 15 de 18 chegaram a esse estado.
- Onde estão as evidências de radient?
- 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.