逐字稿文字預覽
我们现在看到的这个就是CM3.827B精华版 它的特点就是模型体积被压缩的很小 然后但是它的性能或者是智商并没有下降 就是普通电脑都能运行它 然后它一个月是有82万的下载将近 我们来看一下它的文件 它的文件都是很小的 它是被压缩了 但是它的智商或者性能并没有被压缩的 然后我们可以看到它最大是12GB 然后最小就只有8GB 然后普通电脑也能够运营它 然后它是支持多模态的 下面一个多模态文件 它是能够解析图片的 然后我已经把它安装到我的电脑上 然后安装到Hermes的印记里面去 然后我们可以看到这边 这个模型就是33.8 27B 然后GSQL RCO就是精华版 没问它一些问题 比如說你好你是什麼大模型為它發送 他回到他说我是Hermesingin 然后他模型是123.827B 然后我再让他识别一张图片内容 因为他是支持动模态的 让他识别这一张图片吧 那么可以看它识别的内容是 Chenryn大模型发布宣传横幅 然后 左側的文章是Chenryn3.827B 然后进化版来了 然后小体型不降至多模型 多模态 然后它是都能够 分析出来的 然后背景色啥啥都是非常准确的 然后我再让它写一个ATMR 看它的效果怎么样 内容是X超哥的简单单页 那么可以看到它已经在桌面上创建了 让我们双击打开它看一下效果 这就是一个很简单单页 做的效果还是不错的 非常漂亮 大家好,我是超哥 今天给大家分享 Chemain 3.8 27B GSK加RCO AI模型本地部署教程 它最大的特点就是 模型体积小,能力强,运行美感低 在保持模型能力的同时 大幅压缩模型体积 让普通电脑也有机会运行27B大模型 同时还支持131K上下文 多模态图像理解和MTP加速技术 还可以接入Hermes Engine 下面开始教程 我也把所有运动材料 放到我的这个博客的网址里 我们首先来看他看一下我这个电脑环境 大家可以参考一下 下面第一步我们是需要下载大模型 然后我提供了三个下载地址 第一个是官方的 我们可以看一下 这个是官方的 点开 进来之后这就是他的所有的模型都在这了 然后如果你这个网址打不开的话 也可以用夸克跟虚拟网埋下载 我也都放到里面去了 让我们开看一下 这是他的大模型 然后这边有它的介绍 我们点这里 可以切换到它的官方介绍 这是它的官方介绍 我们再点这个fills 就是它的文件 模型文件了 就这些 我们可以看一下上面是具体的模型 这个带-MTP的 它是有加速技术的 它不带-MTP 它就是没有加速技术 它会小一点点 有小一点点而已 我们尽量是用带加速的 带-MTP的 然后最下面这个是多模态文件 就是理解图像的 这边有我写了一个具体的选择 你给你自己的电脑情况进行选择就行了 然后就下载 先我们一定把这个动摩台下载 不然它这个动摩台实现不了的 点这个下载 然后就下载第一个吧 这边下一个因为只是做演示 然后我们等它下载完它是比较大的 然后下载的时候我来做一个小广告 然后我的X超和推特 希望大家能关注一下 我们打开看一下 这是我的推特账号 有推特的可以关注一下 模型已经下载好了 我们再来到我的博客 然后第二步是我们需要下载并配置 Lama.cpp 然后这是Lama.cpp的下载地址也是三个 第一个是官方的Headahub下载地址 第二个是Quack给迅雷的 如果是Headahub打不开的话可以用Quack网盘跟迅雷网盘进行下载 然后我就用这个官方的 点击打开 打了之后我们点击这个进行的版本号 点开这个版本号之后 这就是它的下载链接 我们可以看到这边是有 MacOS版本 有Link版本 然后有Windows版本 因为我是Windows 我就下载Windows的 然后它是有很多 电接的Windows的 我们可以对比一下 这边是Windows的各个不同的版本的对应 然后给你自己的显卡跟CPU进行选择 因为我是英伟达显卡 我就下这两个就行了 我选择一个就行了 然后这个13的 coda13 然后这个要下载 然后后面这个DLLS也要下载 赶紧下载 我们可以看到已经下载好了这两个压缩包 一个是前面的正式的程序 后面是dlls 这两个都要下载的前后两个 我们可以打开看一下 然后这是两个模型 一个多模态一个正常的模型文件 这两个就是lama.cpp的程序 然后先把这个两个压缩包都给它解压出来 打开看一下这个是dll的 然后给它剪切 剪切到我们的LAMA主程序里面来 这个 只要它的主程序给它剪切过来 这个是已经空了 然后这个给它删了吧 这两个压缩包给它删了 这个就是LAMA的主程序 让我给它命名一下吧 这个太长了 然后现在就好了,我们就先不要管它 然后把这两额给它关掉 我们再看下面,下面是需要把模型接入到lama.cpp里面 我们才能运行它 是把下载的大模型放到lama.cpp程序的game录下的modus目录 然后这个目录我们是需要自行创建的 我们先来到lama.cpp的程序的game录下 这个就是刚刚我命名的这个 然后打开它就是game目录 我们需要创建一个文件夹 文件夹就是models文件夹 然后我们复制一下名字 然后给它点击空白处UG 给它清点一个文件夹 名字给它粘贴进去 就这个目录我们已经创建好了 然后我们需要把大模型放到这个目录里面来 然后给大家来到这边 剪切这两个模型 一个多模型一个正式的 给它剪切到这个modus目录来就行了 然后这个LAMA主程序我们放哪都行啊随便放 只要你的盘够用就行 下面我们需要配置启动脚本 lama.cpgameloo创建启动脚本 命名成启动.bat 也可以命名成1.bat都行 然后我们需要创建这个启动脚本 然后我先复制这个名字吧 启动.bat 复制 然后来到lama主程序来 然后右击空白处 然后给它新建一个文本文档线 然后我们把这个文本文档给它重移命名一下 后面的.tlt也要给它删了 删了之后我们把启动.bat给它粘贴进来 这就是一个BAT文件了 让给它确定一下 现在已经改好了 这边前面变成一个小尺 说明它就是命名成功了 然后我们右击 右击它用文明打开 我们还要均匀修改 打开入里面是啥都没有的 是空白的 我们需要把我们的这个 启动脚本给它复制粘贴进去 然后我们点击这边的copy 让给它粘贴过来 粘贴到启动点BAT里面来 这就是它的启动脚本 我们可以看一下这边 这里 其实我这边也有写的 这边是代码说明 有一个模型名是我们要改的 这个端口号 如果你本身端口号 给它自 给我这个启动交流的端口号冲突的话 你要改一下 然后-c就是上下文长度 我们来到启动交流这边 这个就是模型名称 我们要改成我们自己的模型名称 你要使用的模型名称 比如说我刚刚下载的是 modus 里面我是这个模型 这个模型名称 我就要复制这个模型名 加上后缀 后缀也要复制过去 然后把这个模型名给它删了 把真正的模型名称给它复制过来就行了 然后后面这个是多模态文件 这个我们就不要动它了 多模态 但是你一定要下载这个多模态才行 这个文件 然后后面这个 这个是我们的端口号8085 如果你冲突的话 就是你改一下别的 如果不冲突你就默认用8085就行了 然后后面这个是上下文长度 现在我默认给它是6万 如果你觉得小你可以自己改 再改大一些就行了 让我们现在给它改好了 给它保存就行了 保存之后我们就可以启动它了 我们来到拉玛主程序 然后启动点BAT 这个我们双击打开进行启动 我们可以看一下已经启动成功了 当看到这个端号后面有127的0.0.1的时候就只启动成功了 然后我们按住键盘左下角的CainTool键 然后再点击这个链接就能打开了 你也可以在我这边点击这个链接是一样的 这个端号要对 要是你自己的才行 点击一样可以打开的 但是我们测试一下 比如说八哥你好 你是什么大模型 他是我Chiamin,速度是50TOKAY每秒 这边是有个具体的模型信息的 具体的模型信息,就是我们现在正在用的 它是支持多模态的,因为有多模态文件在里面 比如我上传个图片给他 添加个图片 然后识别图片内容 我们可以看到它运行完了 它是每秒也是50Token 然后这是它识别到的图片内容是比较准确的 它是能够识别图片的 这是多模态 然后我们这个可以给它关掉 因为我们要对接到Hermes的A进里面去 然后我说一下这个终端是不能关掉的 你关掉它就没办法用了 因为它靠这个终端的 如果你重新电脑之后 你也要再开启这个终端才能用 就是点这边在启动点BT就行了 让我们现在看一下子摩对接到Hermic3进去 Hermic3进下载地址是这个,我们可以点开 点开之后,点击这个下载就行了 这个是它默认显示的就是Windows,点击,进下载 这边我允许一下,它比较小的已经下载好了,让我点击进行安装 打开之后,我们点这边的安装就行了 我们可以看到它已经装好了 然后点这边的开始 现在已经好了 我们点这边的稍后再选择提供方 先给它打开 然后打开之后我们把这个给它关掉 关掉之后我们下面要开始配置它了 然后再打开HermesInch 然后点这边的齿轮打开 打开之后我们选择 左边这边有个提供方点击 点击之后下面有一个API密钥点击 点击之后我们找到下面下面有一个OpenAI 我们往下拉找一下 这个有个OpenAI API,点击 点击之后这有两个要填 一个是密钥 另外一个就是URL 这个密钥我们就随便填就行了 因为它是本地模型 12345 然后保存 URL我们用这个 这个URL 我博客这边的 然后这个8085 你就 你没改的话就是8085 你改了 改了端口号的话 你就是你自己改的那个端口号 我们来复制一下 然后给它粘贴过来 然后点保存 现在就已经保存成功了 让我们点这边的模型 然后这边有一个选择 现在是自动 让我们点一下 这边有个open ai 选中它 然后这我们点应用 现在保错 然后我们选一下这个模型 下面有我们刚刚的这个选择的模型 然后选中它 7213.827B 然后再点应用 然后现在就成功了 我们给它关掉 刚才之后 我们可以看到这边对话框这边 末人就选中了723.827BGSQRCO这个模型 我们问一下看它能不能用 比如说发个你好 你是什么模型 我们可以给老大回复了 然后说明它是能够正常连上的 然后我们再选择一张图片 因为它知识多模态的 看它能不能识别到图片 还是选择这张图吧 我们可以看到他已经分析完了 他说他是主题是723.827B 他之前是太大了 然后他自动给压缩了 这荷米生意境还是挺智能的 然后我提醒一下大家 大家用的时候 不管用荷米生意境还是他这个 还是用这个网址进行使用这个模型 我们都不要把这个终端给关掉 你关掉就没办法用了 好吧 今天就就到这吧 如果大家有什么问题的话 可以在视频下方的评论区留言交流 谢谢大家的观看
本次執行流程與問題處理
下達指令
預期流程
- 下載與語音辨識
- 來源選擇與品質檢查
- 文字校正與句子單元
- 筆記與發布
- 公開網頁發布
1. 下載與語音辨識
工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）
處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿
產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）
耗時：446.9 秒
關係：依序執行
結果：完成
2. 全文快速校讀
工具：videonote_rapid_transcript_review.py
處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目
產出：rapid_transcript_review_report.json（產出檔案）
耗時：43.9 秒
關係：依序執行
結果：完成
3. 建立句子單元
工具：videonote-build-sentence-units
處理：將逐字稿切成帶時間軸的句子單元
產出：sentence_units.json（句子單元）
耗時：1.0 秒
關係：依序執行
結果：完成
4. 句子密度平衡
工具：videonote_balance_sentence_units.py
處理：平衡句子長度與密度
產出：sentence_units.json（句子單元）
耗時：1.0 秒
關係：依序執行
結果：完成
5. 時間軸稽核
工具：videonote_timeline_audit.py
處理：檢查時間軸與音訊對齊
產出：timeline_audit_report.json（時間軸稽核）
耗時：0.0 秒
關係：依序執行
結果：完成
6. 品質檢查
工具：videonote_controlled_quality.py（檢查時間軸與品質）
處理：檢查語言、時間軸與可讀性品質
產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）
耗時：0.1 秒
關係：依序執行
結果：完成
7. 播放時間軸回填
工具：videonote_rebase_display_timeline.py
處理：將網頁播放時間軸回填為校正字幕時間
產出：display_timeline_rebase_report.json（時間軸回填報告）
耗時：0.1 秒
關係：依序執行
結果：完成
8. 逐字稿交叉檢查
工具：videonote_cross_check_transcript.py
處理：交叉檢查逐字稿與來源字幕
產出：transcript_crosscheck_report.json（交叉檢查）
耗時：0.1 秒
關係：依序執行
結果：完成
9. 來源句整理
工具：videonote_prepare_source_entries.py
處理：整理來源句子供時間軸與頁面使用
產出：sentence_units.json（句子單元）
耗時：0.2 秒
關係：依序執行
結果：完成
10. 生成筆記摘要
工具：videonote-generate-note（生成筆記摘要）
處理：生成筆記摘要與重點
產出：note.md（筆記 Markdown）、note.html（筆記 HTML）
耗時：89.7 秒
關係：依序執行
結果：完成
11. 建立筆記頁面
工具：videonote-render-html（產生筆記 HTML）
處理：產生可閱讀的筆記 HTML 頁面
產出：note.html（筆記 HTML）
耗時：0.8 秒
關係：依序執行
結果：完成
12. 發布公開頁面
工具：videonote-publish（發布公開頁面）
處理：發布到公開網站與每日列表
產出：公開筆記網址、result.json（管線結果）
耗時：0.9 秒
關係：依序執行
結果：完成
手動來源字幕
- 尚未產生
自動來源字幕
Whisper 字幕
Qwen 字幕
- 尚未產生
Parakeet 字幕
- 尚未產生
MOSS 字幕
- 尚未產生
聲學時間證據（PyAnnote / WhisperX）
- 尚未產生
校正前後逐字稿
- 校正前 transcript.whisper.json 純文字 JSON
- 校正後 transcript.json 純文字 JSON
目前待解決問題與初步改善方向
- 逐字稿全文快速校讀未完成
已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。；RAPID_REVIEW_STATUS=REVIEW_REQUIRED_INVALID_OUTPUT
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。