공유 가능한 Snake 데모
README는 실제 Core ML 터미널 실행을 담은 15초 GIF로 시작합니다. 그에 맞는 20초, 1920×1080 MP4는 소셜 게시물에 알맞습니다. 둘 다 원본 녹화를 1× 실시간 속도로 재생합니다.
무엇을 기록했는가
설치된 laya-coreml 휠이 M3 Max의 실제 112열 × 38행 의사 터미널에서
실행되었습니다. 모델은 게임 시작 전에 공개된, 고정된 ANE FP16 Hub 스냅샷에서
다운로드되었습니다. 게임플레이는 그 환경에 Torch, Transformers, MLX가 설치되지
않은 채 Core ML 런타임으로 오프라인 실행되었습니다.
| 설정 또는 결과 | 값 |
|---|---|
| 보드 / 시드 | 24×16 / 7 |
| 초기 Snake 길이 | 6 |
| 요청 표시 속도 | 12 의사결정/초 |
| 실제 실행 지속 시간 | 75.034 s |
| 새 의사결정 호출 / 실행된 이동 | 855 / 855 |
| 관찰된 의사결정 속도 | 11.395/s |
| 최종 점수 / 길이 | 26 / 32 |
| 사망 / 안전 개입 | 0 / 0 |
세 질문 predict P50 / P95 |
26.63 / 28.09 ms |
| 모델 출력 토큰 | 0 |
| MP4 발췌 | 45–65초, 초당 30 비디오 프레임 |
| GIF 발췌 | 45–60초, 초당 10 비디오 프레임 |
| 정지 미리보기 | 55초 |
비디오 프레임은 원래 의사결정을 샘플링합니다. 추가 예측을 유발하거나 Snake를
가속하지 않습니다. 렌더러는 라이브 UI와 같은 터미널 셀 구성을 사용하고 내보내기에
RECORDED RUN · 1×라고 표시합니다. GIF는 약 1.6 MB, MP4는 약 0.7 MB입니다.
모델은 정확한 플래너 특징을 받습니다. 순환 안전 계층이 활성화되어 있고, 이 실행에서는 재정의가 필요 없었음에도 그 개입 카운터가 계속 표시됩니다. 여기서 사망 0회는 한정된 관찰이며, 무한한 비보조 게임플레이의 증거가 아닙니다. 표시되는 위험과 먹이 도달 가능성은 모델 추정치입니다.
UI의 추론 타이머는 세 개의 순차 타입 지정 질문을 포함합니다. 별도의 4.98 ms 벤치마크는 지속 부하에서 짧은 질문 하나를 측정합니다. 이 워크로드, 페이싱, 타이밍 경계는 다릅니다. 전체 게임 루프 속도 테스트는 SNAKE_BENCHMARKS.md에 있습니다.
녹화 재현
laya-coreml[demo]==0.1.0을 설치하고, RELEASE.md에서 고정된 모델을
다운로드한 뒤 실행하십시오.
laya-coreml-snake --model ./models/ane --seed 7 --fps 12 \
--duration 75 --record snake.jsonl
laya-coreml-snake export snake.jsonl --start 45 --seconds 20 \
--output snake-demo.mp4 --gif snake-demo.gif --gif-seconds 15
laya-coreml-snake export snake.jsonl --start 55 --output snake-preview.png스크립트로 실제 터미널 캡처를 하려면 소스 체크아웃에
scripts/record_terminal.py가 포함되어 있습니다.
python scripts/record_terminal.py --log artifacts/session.ansi -- \
laya-coreml-snake --model ./models/ane --seed 7 --fps 12 \
--duration 75 --record snake.jsonl제안 게시 문구
영어:
A 322M decision model playing Snake on my Mac’s Neural Engine. Zero generated tokens. Offline inference, live probabilities, and a visible safety layer. Core ML runtime, open weights, reproducible benchmarks: https://github.com/mizorewww/laya-coreml
중국어：
把一个 3.22 亿参数的决策模型搬到了 Mac 的 Neural Engine 上，用它实时玩贪吃蛇。 概率实时变化，0 个生成 token，下载模型后完全离线。视频是原速实录，安全层和干预 次数直接显示在界面上。代码、权重、PyPI 包和完整 benchmark 都已开放： https://github.com/mizorewww/laya-coreml
성능 중심 후속 게시물에는 정확한 주장을 그대로 쓰십시오. 짧은 다국어 의사결정 하나에 4.98 ms P50, 페어링된 M3 Max 실험에서 컴파일된 MLX FP16보다 의사결정당 추정 시스템 에너지가 2.78× 더 낮음. 측정 방법을 링크하고 그 워크로드 조건을 유지하며, Snake 프레임 시간이나 10× 결과로 표기하지 마십시오.