AGmind Հայցել scope

Լաբորատորիա

AGmind Systems Lab-ի մասին

Ինժեներական լաբորատորիա, որը որակավորում է լոկալ AI համակարգերը ֆիքսված, վերսիավորվող workload-ների տակ և հրապարակում է վերարտադրելի արդյունքներ՝ ապացույցներով։

Ինչ է անում լաբորատորիան

Սարքի սպեցիֆիկացիան պատասխանում է, թե որքան հիշողություն և հաշվողական ռեսուրս ունի այն։ Ցուցադրական benchmark-ը ցույց է տալիս մեկ առանձին թիվ։ Ոչ մեկը, ոչ մյուսը չեն պատասխանում օպերացիոն հարցին՝ կարելի՞ է արդյոք շահագործել կոնկրետ մոդելը և runtime-ը իրական բեռնվածության տակ՝ կոնկրետ մեքենայի վրա։ Գործնական ռիսկերը շերտերի արանքում են. runtime-ը ֆորմալ առումով աջակցում է ճարտարապետությանը, բայց exact build-ը չի պարունակում անհրաժեշտ kernels. մոդելը բեռնվում է, բայց long-context quality-ն դեգրադացվում է. կոնֆիգուրացիան անցնում է health check-ը, բայց discovery-ն, auth-ը կամ restore-ը չեն աշխատում։

AGmind-ը ստուգում է համակարգն ամբողջությամբ։ Որակավորումը ֆիքսում է՝

  • ճշգրիտ ապարատուրան և ճշգրիտ software fingerprint-ը;
  • ճշգրիտ model artifact-ը;
  • սառեցված workload՝ ֆունկցիոնալ և quality gate-երով;
  • արտադրողականության և հուսալիության չափումները;
  • operating envelope-ը և deployment recipe-ն;
  • evidence bundle՝ յուրաքանչյուր հրապարակված պնդման հետևում։

Յուրաքանչյուր եզրակացություն սահմանափակված է թեստավորված workload-ով, վերսիաներով և quality gate-երով։ Մեթոդը նկարագրված է մեթոդաբանության էջում, իսկ վճարովի աշխատանքի ձևաչափերը՝ որակավորման բաժնում։

Ինչ չէ լաբորատորիան

  • SaaS չատ չէ։ AGmind-ը չի հոսթում հաճախորդների inference-ը և որպես ծառայություն չի պահում հաճախորդների փաստաթղթերը։
  • GPU հոսթինգ չէ։ Լաբորատորիայի ապարատուրան կատարում է լաբորատորիայի թեստերը, ոչ թե հաճախորդների բեռնվածությունները։
  • Ունիվերսալ ինտեգրատոր չէ։ Ոչ մի «AI ցանկացած բաժնի համար» նախագիծ, ոչ մի կոնսալտինգ առանց ֆիքսված scope-ի։
  • Վճարովի դրական ակնարկներ չկան։ Վճարումը երբեք կախված չէ վճռից, իսկ independent mode-ում բացասական արդյունքները հրապարակվում են, ոչ թե թաքցվում։
  • Ֆորմալ սերտիֆիկացում չէ։ AGmind-ը երբեք չի ներկայացնում արդյունքները սերտիֆիկացիոն ձևակերպումներով։

Թե ինչպես են անկախ թեստերը տարանջատվում commissioned engineering-ից և ինչպես է բացահայտվում ֆինանսավորումը, սահմանված է անկախության էջում։

Ինչպես է աշխատում լաբորատորիան

Բիզնես օղակը միտումնավոր պարզ է՝

  1. սեփական հետազոտություն լաբորատորիայի ապարատուրայի վրա;
  2. հրապարակային հաշվետվություն՝ ապացույցներով;
  3. վճարովի որակավորում ֆիքսված scope-ով՝ կոնկրետ համակարգի սեփականատիրոջ համար;
  4. կրկնելի որակավորման պրոցես և reference configuration;
  5. վճարովի revalidation՝ կրիտիկական շերտի փոփոխության դեպքում։

Ֆինանսավորումը միշտ բացահայտվում է։ Բացասական արդյունքները լիարժեք արդյունք են՝ դրանք վճարվում և հրապարակվում են ճիշտ այնպես, ինչպես դրականները։ Ուղղումները ֆիքսվում են errata էջում, իսկ յուրաքանչյուր headline թիվ գեներացվում է claims ռեեստրից, որը նկարագրված է տվյալների էջում։

Լաբորատորիայի ստենդը

Ֆիզիկական մեքենաներ, որոնց լաբորատորիան տիրապետում է և կառավարում։ Յուրաքանչյուր հանգույցի համար նշված է, թե ինչի համար է այն օգտագործվում և ինչի վրա դրա արդյունքները չի կարելի ընդհանրացնել։

Հանգույց Սպեցիֆիկացիա Դեր Սահմանափակումներ Կարգավիճակ
2× Beelink GTR9 Pro — AMD Strix Halo Ryzen AI Max+ 395, 128 ԳԲ LPDDR5X-8000 unified, Radeon 8060S (gfx1151), երկու 10GbE — երկու առևտրայնորեն նույնական յունիթ Որակավորման ֆլագմանային թիրախ. backend-երի համեմատություն (Vulkan vs ROCm), վերարտադրում յունիթից յունիթ, multi-slot serving, RAG-ծառայություններ Երկու յունիթը չի ներկայացնում ամբողջ արտադրական խմբաքանակը գործում է
2× NVIDIA DGX Spark — GB10 GB10 Grace Blackwell, 20-միջուկանի Arm, 128 ԳԲ unified, sm_121, ConnectX-7 — միացված կետ առ կետ 200G RoCE-ով aarch64/sm_121 տեղափոխելիություն, multi-node տոպոլոգիաներ, long-context և speculative decoding Թանկ ու նեղ ստենդ; արդյունքները չեն ընդհանրացվում datacenter-ի Blackwell-ի վրա գործում է
RTX 5090 workstation Սպառողական Blackwell, 32 ԳԲ GDDR7, x86 հոսթ Հսկիչ CUDA-գիծ, fine-tuning/դիստիլյացիա, բազային չափումներ սպառողական GPU-ի վրա Մեկ կոնֆիգուրացիա; ոչ enterprise-սերվեր գործում է
Apple M1 Max, 64 GB Apple Silicon, 64 ԳԲ unified, macOS / MLX-գիծ Apple/MLX smoke-թեստեր և փոքր միջպլատֆորմային խարիսխներ Ոչ Apple-ի ընթացիկ բարձրակարգ սերունդը գործում է
MacBook Pro — Apple M4 Pro, 24 GB Apple Silicon M4 Pro, 24 ԳԲ unified, macOS / MLX-գիծ Apple-ի ընթացիկ սերնդի խարիսխ. նոութբուքի դասի լոկալ ինֆերենս, MLX-ի և llama.cpp Metal-ի համեմատություններ 24 ԳԲ-ը սահմանափակում է մոդելի չափը; նոութբուքի ջերմային ռեժիմ, ոչ դեսկթոփի գործում է
Laptop — Ryzen 9 9955HX + RTX 5070 Ti Ryzen 9 9955HX (Zen 5, 16 միջուկ), RTX 5070 Ti Laptop 12 ԳԲ GDDR7, 32 ԳԲ DDR5 Դիսկրետ GPU-ով նոութբուքների գիծ. մոբայլ Blackwell CUDA, ինֆերենս VRAM-ի դեֆիցիտի պայմաններում և offload-սցենարներ unified-հիշողությամբ մեքենաների դիմաց 12 ԳԲ VRAM-ը միջին մոդելների համար ստիպում է offload; նոութբուքի ջերմային ռեժիմ գործում է

Բաց արտեֆակտներ

Լաբորատորիան աշխատող կոդը և մոդելները հրապարակում է բաց։ Հիմնականը (ընդհանուր ≈4.9k մոդելների ներբեռնում Hugging Face-ում 2026-07-31-ի դրությամբ)․

Research և evidence

  • strix-halo-multislot — մուլտիսլոտ ինֆերենսի ռեցեպտներ և ազնիվ բենչեր Strix Halo-ի վրա (տես legacy հաշվետվությունը)
  • DSpark 2× DGX Spark-ի վրա — fp8 սպեկուլյատիվ դեկոդավորման bring-up GB10-ի վրա, չափումներ 1M կոնտեքստում

Դեփլոյ ստեկեր

  • AGmind64 — self-hosted LLM/RAG ստեկ Strix Halo / x86_64-ի համար
  • AGmind — նույնը NVIDIA DGX Spark / GB10-ի համար (arm64)
  • AGmind-macos — լոկալ AI macOS-ի համար՝ մեկ հրամանով (Metal)

Մոդելները Hugging Face-ում

Մոդելների որակի թվեր այստեղ միտումնավոր չկան. լաբորատորիայի կանոններով դրանք հայտնվում են միայն որպես registry-backed claim-ներ՝ v1 մեթոդաբանությամբ գնահատումից հետո։

Որտեղ է հրապարակվում լաբորատորիան

Ստորև բոլոր հարթակները նույն լաբորատորիան են։ Ապացույցները գնում են GitHub, արտեֆակտները՝ Hugging Face, ծավալուն վերլուծությունները՝ Habr. agmind.dev-ը հարակից նախագիծ է open-source տեղադրիչներով, որոնք հենց լաբորատորիան էլ որակավորում է։

Կապ

Օգտակար պատասխանի ամենաարագ ճանապարհը կոնկրետ հարցն է՝ ինչ համակարգ, ինչ workload, ինչ վերսիաներ։ Գրեք Telegram-ում @AGmind կամ սկսեք կառուցվածքավորված scope հայտից։

Հայցել scope Telegram