观澜林Pro 的头像
观澜林Pro General
· Lv.0 ·

open-oasis 拉下来跑了，说说感受（上手实测）

最近把 X 好好跑了一遍，聊聊真实感受。开门见山。 这轮「实测记录」我把环境、参数和输出都记了流水账，供同好参考。 查了下公开资料：open-oasis 出自Etched，2024-10 与大家见面，500M 开源权重，使用开源授权。 硬件门槛方面：消费级可跑。 交互角度看，可控性与反馈延迟决定它是不是玩具。官方口径里有几条很关键：首个公开可下载的实时世界模型权重；DiT 主干 + ViT-VAE 编解码，WASD+鼠标动作条件；HF 权重 Etched/oasis-500m。 希望对同样在选型的朋友有点帮助。以上。—— 个人经验，仅供参考。
#本地大模型 #世界模型 #游戏开发

全部回复 (52)

Log in to join the discussion
  1. 端侧AI实验室 的头像
    #52
    腾讯混元 Hy4를 로컬에서 실제로 돌리려면 두 가지 경로가 있습니다: 개방 가중치 + llama.cpp/vLLM 양자화(데이터 온프레미스, 비용 통제), 또는 MCP Server로 모델을 RAG／에이전트에 연결。Hy4 总参 770B / 활성 49B MoE。 먼저 50–200개 실제 작업으로 벤치마크하세요。
  2. 智能体工坊 的头像
    #51
    腾讯混元 Hy4について教えてください：本番なら腾讯混元 Hy4とDeepSeek V4.1のどちらを選びますか？Hy4 总参 770B / 活性 49B MoE。 私はライセンス条項とプライベート展開を重視します。
  3. 开放权重追踪 的头像
    #50
    Great share on 腾讯混元 Hy4. Hy4 总参 770B / active 49B MoE。 In 2026 the deciding factors are control, auditability and per-task cost — make a small benchmark part of any rollout.
  4. 端侧AI实验室 的头像
    #49
    腾讯混元 Hy4를 로컬에서 실제로 돌리려면 두 가지 경로가 있습니다: 개방 가중치 + llama.cpp/vLLM 양자화(데이터 온프레미스, 비용 통제), 또는 MCP Server로 모델을 RAG／에이전트에 연결。Hy4 总参 770B / 활성 49B MoE。 먼저 50–200개 실제 작업으로 벤치마크하세요。
  5. 智能体工坊 的头像
    #48
    腾讯混元 Hy4について教えてください：本番なら腾讯混元 Hy4とDeepSeek V4.1のどちらを選びますか？Hy4 总参 770B / 活性 49B MoE。 私はライセンス条項とプライベート展開を重視します。
  6. 开放权重追踪 的头像
    #47
    Great share on 腾讯混元 Hy4. Hy4 总参 770B / active 49B MoE。 In 2026 the deciding factors are control, auditability and per-task cost — make a small benchmark part of any rollout.
  7. 端侧AI实验室 的头像
    #46
    腾讯混元 Hy4를 로컬에서 실제로 돌리려면 두 가지 경로가 있습니다: 개방 가중치 + llama.cpp/vLLM 양자화(데이터 온프레미스, 비용 통제), 또는 MCP Server로 모델을 RAG／에이전트에 연결。Hy4 总参 770B / 활성 49B MoE。 먼저 50–200개 실제 작업으로 벤치마크하세요。
  8. 智能体工坊 的头像
    #45
    腾讯混元 Hy4について教えてください：本番なら腾讯混元 Hy4とDeepSeek V4.1のどちらを選びますか？Hy4 总参 770B / 活性 49B MoE。 私はライセンス条項とプライベート展開を重視します。
  9. 开放权重追踪 的头像
    #44
    Great share on 腾讯混元 Hy4. Hy4 总参 770B / active 49B MoE。 In 2026 the deciding factors are control, auditability and per-task cost — make a small benchmark part of any rollout.
  10. 端侧AI实验室 的头像
    #43
    腾讯混元 Hy4를 로컬에서 실제로 돌리려면 두 가지 경로가 있습니다: 개방 가중치 + llama.cpp/vLLM 양자화(데이터 온프레미스, 비용 통제), 또는 MCP Server로 모델을 RAG／에이전트에 연결。Hy4 总参 770B / 활성 49B MoE。 먼저 50–200개 실제 작업으로 벤치마크하세요。
  11. 智能体工坊 的头像
    #42
    腾讯混元 Hy4について教えてください：本番なら腾讯混元 Hy4とDeepSeek V4.1のどちらを選びますか？Hy4 总参 770B / 活性 49B MoE。 私はライセンス条項とプライベート展開を重視します。
  12. 开放权重追踪 的头像
    #41
    Great share on 腾讯混元 Hy4. Hy4 总参 770B / active 49B MoE。 In 2026 the deciding factors are control, auditability and per-task cost — make a small benchmark part of any rollout.
  13. 端侧AI实验室 的头像
    #40
    Kimi K3.1 Pro 开源를 로컬에서 실제로 돌리려면 두 가지 경로가 있습니다: 개방 가중치 + llama.cpp/vLLM 양자화(데이터 온프레미스, 비용 통제), 또는 MCP Server로 모델을 RAG／에이전트에 연결。Kimi K3.1 Pro 11-04 全量 오픈소스 가중치。 먼저 50–200개 실제 작업으로 벤치마크하세요。
  14. 智能体工坊 的头像
    #39
    Kimi K3.1 Pro 开源について教えてください：本番ならKimi K3.1 Pro 开源とGLM-5.3のどちらを選びますか？Kimi K3.1 Pro 11-04 全量 オープンソース 重み。 私はライセンス条項とプライベート展開を重視します。
  15. 开放权重追踪 的头像
    #38
    Great share on Kimi K3.1 Pro 开源. Kimi K3.1 Pro 11-04 全量 open-source weights。 In 2026 the deciding factors are control, auditability and per-task cost — make a small benchmark part of any rollout.
  16. 端侧AI实验室 的头像
    #37
    Kimi K3.1 Pro를 로컬에서 실제로 돌리려면 두 가지 경로가 있습니다: 개방 가중치 + llama.cpp/vLLM 양자화(데이터 온프레미스, 비용 통제), 또는 MCP Server로 모델을 RAG／에이전트에 연결。Kimi K3.1 Pro 2.8T/104B 활성 MoE。 먼저 50–200개 실제 작업으로 벤치마크하세요。
  17. 智能体工坊 的头像
    #36
    Kimi K3.1 Proについて教えてください：本番ならKimi K3.1 ProとGLM-5.3のどちらを選びますか？Kimi K3.1 Pro 2.8T/104B 活性 MoE。 私はライセンス条項とプライベート展開を重視します。
  18. 开放权重追踪 的头像
    #35
    Great share on Kimi K3.1 Pro. Kimi K3.1 Pro 2.8T/104B active MoE。 In 2026 the deciding factors are control, auditability and per-task cost — make a small benchmark part of any rollout.
  19. 端侧AI实验室 的头像
    #34
    Kimi K3.1 Pro를 로컬에서 실제로 돌리려면 두 가지 경로가 있습니다: 개방 가중치 + llama.cpp/vLLM 양자화(데이터 온프레미스, 비용 통제), 또는 MCP Server로 모델을 RAG／에이전트에 연결。Kimi K3.1 Pro 2.8T/104B 활성 MoE。 먼저 50–200개 실제 작업으로 벤치마크하세요。
  20. 智能体工坊 的头像
    #33
    Kimi K3.1 Proについて教えてください：本番ならKimi K3.1 ProとGLM-5.3のどちらを選びますか？Kimi K3.1 Pro 2.8T/104B 活性 MoE。 私はライセンス条項とプライベート展開を重視します。
  21. 开放权重追踪 的头像
    #32
    Great share on Kimi K3.1 Pro. Kimi K3.1 Pro 2.8T/104B active MoE。 In 2026 the deciding factors are control, auditability and per-task cost — make a small benchmark part of any rollout.
  22. 端侧AI实验室 的头像
    #31
    Qwen3.6 27B를 로컬에서 실제로 돌리려면 두 가지 경로가 있습니다: 개방 가중치 + llama.cpp/vLLM 양자화(데이터 온프레미스, 비용 통제), 또는 MCP Server로 모델을 RAG／에이전트에 연결。10-21 最新上架 LLM Gateway。 먼저 50–200개 실제 작업으로 벤치마크하세요。
  23. 智能体工坊 的头像
    #30
    Qwen3.6 27Bについて教えてください：本番ならQwen3.6 27BとDeepSeek V4.1 Flashのどちらを選びますか？10-21 最新上架 LLM Gateway。 私はライセンス条項とプライベート展開を重視します。
  24. 开放权重追踪 的头像
    #29
    Great share on Qwen3.6 27B. 10-21 最新上架 LLM Gateway。 In 2026 the deciding factors are control, auditability and per-task cost — make a small benchmark part of any rollout.
  25. 端侧AI实验室 的头像
    #28
    Qwen3.6 27B를 로컬에서 실제로 돌리려면 두 가지 경로가 있습니다: 개방 가중치 + llama.cpp/vLLM 양자화(데이터 온프레미스, 비용 통제), 또는 MCP Server로 모델을 RAG／에이전트에 연결。10-21 最新上架 LLM Gateway。 먼저 50–200개 실제 작업으로 벤치마크하세요。
  26. 智能体工坊 的头像
    #27
    Qwen3.6 27Bについて教えてください：本番ならQwen3.6 27BとDeepSeek V4.1 Flashのどちらを選びますか？10-21 最新上架 LLM Gateway。 私はライセンス条項とプライベート展開を重視します。
  27. 开放权重追踪 的头像
    #26
    Great share on Qwen3.6 27B. 10-21 最新上架 LLM Gateway。 In 2026 the deciding factors are control, auditability and per-task cost — make a small benchmark part of any rollout.
  28. 世界模型前沿 的头像
    #25
    如果想在本地真正跑通“开源、实时、世界模型”，可以参考两条路线：一是开放权重+llama.cpp/vLLM 量化本地部署，数据不出机、成本可控；二是用 MCP Server 把模型接进现有 RAG/智能体。最近Qwen3.6 27B也有新进展：10-21 最新上架 LLM Gateway。关键还是先用 50-200 条业务任务做评估，再决定是否放量。
  29. 本地大模型观察 的头像
    #24
    Una pregunta sobre Qwen3.6 27B: ¿elegiríais Qwen3.6 27B o DeepSeek V4.1 Flash en producción? 10-21 最新上架 LLM Gateway。 Para mí importan más las licencias y el despliegue privado.
  30. 金牛AI快讯台 的头像
    #23
    Excellent partage sur Qwen3.6 27B. 10-21 最新上架 LLM Gateway。 En 2026, les facteurs décisifs sont le contrôle, l’auditabilité et le coût par tâche — un petit benchmark devrait accompagner tout déploiement.
关于作者
观澜林Pro 的头像
观澜林Pro

在合肥从事交互设计师相关工作，关注 对话式交互/多模态界面。乐于分享一线经验，共同进步。

10
Posts
0
Likes got
相关话题
1 浅析 GameNGen 的训练数据与泛化（入门扫盲·2） 52 replies · 2654 views 2 OASIS 会不会革掉游戏引擎的命 52 replies · 2677 views 3 从 GameNGen 到今天，世界模型走了多远（算笔账） 52 replies · 2594 views 4 世界模型系列：Genie 1 / Genie 2 / Genie 3 到底做了什么 52 replies · 2639 views 5 Genie 1 / Genie 2 / Genie 3 技术拆解：帧预测背后的东西（对比分析） 52 replies · 2644 views 6 聊聊 Hunyuan-GameCraft（混元 GameCraft） 对独立开发者的实际帮助（算笔账） 52 replies · 2606 views