Artefatos de lançamento do Laya-CoreML 0.1.0

Instale o runtime público em Apple Silicon:

python -m pip install 'laya-coreml[demo]==0.1.0'

A wheel contém a inferência, o carregamento do Hub, a demonstração de Snake no terminal e seu renderizador de replay. Os pesos do modelo são baixados separadamente. O PyTorch é uma dependência opcional de exportação; o MLX é uma dependência opcional de comparação. Nenhum dos dois é necessário para rodar os modelos lançados. Veja o projeto no PyPI.

Lançamentos de modelos fixados

Todos os seis repositórios são públicos. Cada um inclui o pacote Core ML exportado, tokenizer, configuração, model card, licença, atribuição e relatório de validação. Os pacotes ANE também contêm os tensores exatos de embedding do host e da action-head. Eles são pacotes de inferência autônomos.

Por exemplo:

hf download aac6fef/laya-multilingual-coreml-ane \
  --revision 39d6a9b3d0f67f06da74fbade6121ea134cbdb21 \
  --local-dir models/ane
laya-coreml-snake --model ./models/ane

Ou carregue um snapshot fixado do Hub diretamente:

import laya_coreml as laya

agent = laya.load(
    "aac6fef/laya-multilingual-coreml-ane",
    revision="39d6a9b3d0f67f06da74fbade6121ea134cbdb21",
)

O inventário de lançamento, os hashes dos pacotes, as formas e os tamanhos completos dos pacotes estão em hub-release.json. O pacote W8 tem cerca de 557 MB incluindo os embeddings do host e o tokenizer; 129 MB descrevem apenas seu corpo Core ML. W8 é paletização de pesos com computação FP16, não quantização de ativação inteira.

Verificação de modelo e pacote

Cada pacote publicado foi verificado em relação à sua exportação validada e arquivada antes do upload. Os pacotes ANE portáteis preservam o corpo Core ML original e extraem seis tensores do host com igualdade exata de elementos. A inferência no momento do empacotamento então repetiu as verificações de golden-fixture do upstream:

As exportações curtas rejeitam fixtures além de sua capacidade de entrada. Seus subconjuntos de ajuste são explícitos; eles não são afirmações de equivalência de contexto completo. Todos usam o mesmo limiar de desvio de probabilidade de 0.02. Os checkpoints de propósito geral cobrem 189/189 perguntas; os seis pacotes juntos cobrem 319 comparações de ajuste, com sobreposição entre checkpoints. Veja release-validation.json.

Um ambiente novo de Python 3.12 instalou a wheel compilada e o extra de demonstração, sem Torch, MLX ou Transformers. Todos os seis pacotes locais carregaram e produziram predições estáveis enquanto as conexões de socket do Python estavam bloqueadas. Um snapshot público e fixado do ANE no Hub foi então carregado, seguido por um segundo carregamento a partir do cache com as conexões de rede bloqueadas. Nenhuma seção offline tentou uma conexão. Essa verificação também exercitou a correção de materialização de symlink do Core ML descrita em USAGE.md. Resultados: wheel-runtime-smoke.json.

A versão 0.1.0 foi publicada no PyPI em 2026-09-20. Os dois arquivos públicos de distribuição foram baixados e seus digests SHA256 corresponderam aos artefatos locais de lançamento. Um segundo ambiente novo então instalou laya-coreml[demo]==0.1.0 diretamente do índice público do PyPI com o cache desabilitado. O exemplo de carregamento direto do Hub do README rodou com sucesso, retornou zero tokens de saída e produziu a mesma resposta em três chamadas repetidas com as conexões de rede bloqueadas durante a predição. Os dois pontos de entrada de CLI instalados também iniciaram com sucesso. Veja recibo de publicação e verificação de inferência da instalação pública.

Reproduza as verificações de lançamento

O portão de lançamento local passou em 64 testes, nas verificações de lint/formato do Ruff e na validação estrita de metadados de pacote do Twine. Os testes incluem semântica de conversão, integridade do cache de pacotes, invariantes do jogo, resolução offline do modelo e replay exato de cada tabuleiro/ação na gravação publicada de 855 movimentos.

O backend de build está fixado no Hatchling 1.31.0. Sua saída de Core Metadata 2.4 passa no verificador Twine 6 do lançamento; um build inicial usando os metadados 2.5 mais novos como padrão foi rejeitado. Veja o histórico de versões do Hatchling para a mudança de padrão. Os artefatos publicados usam o build compatível e são verificados de novo antes do upload. Os digests SHA256 exatos da wheel e da source-distribution estão registrados em distribution-files.json.

De um checkout do código-fonte com os artefatos originais validados disponíveis:

uv sync --extra convert --extra dev --extra compare --extra research --extra demo --extra publish
.venv/bin/python scripts/prepare_hub.py
.venv/bin/python -m benchmarks.release_validate models/hub/* \
  --output benchmarks/results/release-validation.json
.venv/bin/ruff check .
.venv/bin/ruff format --check .
.venv/bin/pytest -q
.venv/bin/python -m build
.venv/bin/twine check --strict dist/*

prepare_hub.py se recusa a sobrescrever diretórios de pacote existentes. A verificação autônoma da wheel roda com scripts/wheel_smoke.py --hub-check em um ambiente novo fora da árvore do código-fonte, depois de baixar ou preparar os seis pacotes. Veja SNAKE_BENCHMARKS.md para as medições completas do laço de jogo e LAUNCH.md para as fontes exatas da mídia gravada.

Sincronização com o upstream 0.2.0

Este lançamento porta a validação aplicável de prompt, rótulos noul personalizados, instruções em Unicode, truncamento da cauda da conversa, diagnósticos de colapso de opções e o relato de answer-confidence por meio do upstream 4aa6761. Ele também publica o limite de temperatura que estava presente na origem 0.1.1 mas ausente do PyPI 0.1.0. As assinaturas de grafo, os pesos e as verificações de capacidade do ANE do Core ML estão inalterados. Os resultados históricos de benchmark acima descrevem a 0.1.0, não uma nova execução de desempenho. A latência de perguntas mistas e o suporte a Mac Intel não foram validados por esta sincronização.

Faça push de uma tag v<version> depois de atualizar pyproject.toml, laya_coreml/__init__.py e uv.lock. O workflow Release executa as verificações reutilizáveis de CI, verifica as três versões em relação à tag, compila e valida wheel/sdist, publica no PyPI usando o segredo do repositório PYPI_API_TOKEN e cria um release no GitHub com as mesmas distribuições. Uma falha de CI impede a publicação.