Ücretsiz OpenClaw Depo Triyajı Yerel Yapay Zeka Modelleri ile
Hugging Face
Google/DeepMind
DeepSeek
Anthropic
Hugging Face blogu, OpenClaw deposundaki sorunları ve çekme isteklerini gerçek zamanlı olarak triyajlamak için pahalı kapalı modellerin yerine yerel açık ağırlıklı modellerin (Gemma 4 26B ve Qwen 3.6 35B) nasıl kullanıldığını anlatıyor. Sistem, güvenli salt okunur işlemler için kısıtlı bir kabuk (reposhell) ile bir ajan koşum takımı kullanır ve bir NVIDIA GB10 sisteminde yüksek verim elde eder.
Blog'da yazarların, OpenClaw deposundaki sorunları ve çekme taleplerini sınıflandırmak için kapalı yapay zeka modellerini yerel açık ağırlıklı modellerle nasıl değiştirdikleri gösteriliyor. Bu değişikliğin arkasındaki motivasyon, kapalı modellerin kaldırılma riski (Anthropic'in Claude Fable 5'in kaldırılmasına atıfta bulunularak). 'localpager-agent' adlı bir koşum takımı ve reposhell (kısıtlı salt okunur bir kabuk) kullanarak sistem her öğeyi local_models, self_hosted_inference gibi kategorilere ayırıyor. NVIDIA GB10 sisteminde (128 GB bütünleşik bellek) Gemma 4 26B ve Qwen 3.6 35B modellerini test ettiler. Gemma daha yüksek geri çağırma (0,905) ve iş hacmi (satır başına 1,41 saniye, 16 eşzamanlı işçi) elde ederken, Qwen daha yüksek kesinlik (0,831) ve tam eşleşme (0,540) sağladı ancak yalnızca 4 işçiyle satır başına 13,51 saniye sürdü. Yarı etmen mimarisi, büyük dil modelini yalnızca sınıflandırma için kullanıyor; bildirimler kural tabanlı. Sistem, öğeleri gitcrawl yansıtma yoluyla işliyor, sonuçları SQLite'da depoluyor ve bildirimleri Discord üzerinden yapıyor.
Kaynak: Hugging Face blog —
orijinal