使用
Linux x86_64
這些步驟是在家目錄裡一個已經存在的 work 資料夾裡跑的。請先建立它,再從那裡執行:
mkdir -p "$HOME/work" && cd "$HOME/work"git clone gutsy 儲存庫(gutsy-inference 的原始碼)
cd "$HOME"/work && git clone --depth 1 https://github.com/kouhxp/gutsy在 HOME 建立 venv 並 pip install -e gutsy-inference(從原始碼建置 llama-cpp-python 0.3.37)
python3 -m venv ~/gutsy-venv && ~/gutsy-venv/bin/pip install -e "$HOME"/work/gutsy/gutsy-inference
在 pickfit 驗證過的原始指令(沙盒裡實際執行的)
僅供查核:裡面是沙盒的家目錄 /home/sbx。
cd /home/sbx/work && git clone --depth 1 https://github.com/kouhxp/gutsypython3 -m venv ~/gutsy-venv && ~/gutsy-venv/bin/pip install -e /home/sbx/work/gutsy/gutsy-inference~/gutsy-venv/bin/gutsy-inference --help確認能用
~/gutsy-venv/bin/gutsy-inference --help輸出應包含「usage: gutsy-inference」。
它能做什麼
- 取得每個選項的校準機率未測試
- 提出是非、選擇與評分問題未測試
- 從最多 255 個選項中選擇,可拒答未測試
- 針對同一狀態低成本追問未測試
pickfit 測到哪一步
Linux x86_64
- 可以安裝
- 可以啟動
- 4 項功能中 0 項可用
- 可離線使用
適合用來
- 分流客服工單的負責團隊、退款與情緒
- 針對意見回饋資料列提出是非問題
- 為每則訊息挑選最便宜的模型
- 依據來源為每項主張評分
- 在銷售通話中即時偵測觸發點
可替代 Laya 和 Jev。
pickfit 怎麼測的
每次測試都從乾淨的機器開始,照上面的步驟執行。 pickfit 怎麼驗證
Linux x86_64
可安裝並啟動
- 從頭重跑
- 可離線使用
- 檢查於 2026年11月16日
測試機器遇到的差異
- README: pip install -e gutsy/gutsy-inference # needs llama-cpp-python >= 0.3.35
測試中: 安裝到 $HOME 下的 venv(python3 -m venv ~/gutsy-venv,再執行 ~/gutsy-venv/bin/pip install -e)。這裡未執行一般的 pip 指令,因此不對此系統 Python 的 PEP 668 下任何結論。llama-cpp-python 在這個沙盒沒有預先建置的 wheel,改從原始碼編譯(約 3.5 分鐘… - README: hf download kouhxp/gutsy --include "gutsy-0.8b-v04*" --local-dir gutsy/gutsy-inference/models
測試中: 未執行。模型檔為 505 MB(Q4_K_M)與 775 MB(Q8_0),超過沙盒約 300 MB 的下載上限,因此 gutsy-inference check、serve 及 README 所有 API 範例都沒有執行。