发布素材与建议文案
这些是可直接分享的文件和草稿文案。尚未发布任何社交媒体帖子。
| 素材 | 格式 | 时长 |
|---|---|---|
| 演示视频 | 1920 × 1080，H.264，视频 30 FPS | 30 秒，原始真实时间速度 |
| README GIF | 宽 1040 像素的动图 GIF | 15 秒，原始真实时间速度 |
| 最高速度视频 | 1920 × 1080，H.264，视频 30 FPS | 15 秒，原速，优化后的实时运行 |
| 海报 | 1920 × 1080 PNG | 约 85 秒处的真实录制画面 |
| 源录制 | JSONL | 完整 100 秒的真实 TTY 运行 |
| 来源记录 | JSON | 源哈希、模型、时间戳和渲染器哈希 |
源运行达到分数 40、长度 46，共 1,144 次由真实推理驱动的移动，零死亡、零安全干预。为了可读性，它的目标是每秒 12 次决策。视频是对录制下来的终端单元格的渲染，屏幕上标为 RECORDED RUN · 1×。
额外的最高速度片段来自一次单独的 20.01 秒 truecolor TTY 运行，使用 --optimize --max-speed：1,296 次移动，64.77 次移动/秒，分数 44、长度 50，零死亡、零干预。它包含实时终端流的写入；没有做时间压缩。源 · 来源记录。
英文短草稿
A local AI that returns probabilities, not generated text.
Laya-MLX runs open-weight typed decision models on Apple Silicon. Watch a 322M model play Snake with a visible cycle safety layer: real probabilities, measured latency, 0 output tokens, no inference API.
One-question API benchmark: 7.39 ms p50 on M3 Max.
pip install laya-mlxCode, weights and reproducible measurements: https://github.com/mizorewww/laya-mlx
中文草稿
让模型直接选方向，而不是先生成一段文字。
Laya-MLX：在 Mac 上本地运行的开放权重决策模型。这个 3.22 亿参数的贪吃蛇 demo，每一步都显示真实方向概率、推理耗时和安全层接管次数。
0 个输出 token，无推理 API。M3 Max 单问题基准 P50 为 7.39 ms。
pip install laya-mlx代码、权重和原始 benchmark：https://github.com/mizorewww/laya-mlx
单独的性能后续
优化后的完整 Snake 循环测得 2,400 次移动内 75.40 次移动/秒，零死亡、2 次安全干预，并与成对的 eager 对照在执行动作上达到 2,400/2,400 一致。在那次运行中它约快 6.5%。这包含规划、推理、Rich 组装、ANSI 序列化和游戏更新，但不含终端模拟器的绘制。
分享这个数字时请使用优化报告。7.39 ms 这个头条数字描述的是单独的单问题 API 固定样本；它不是这个三问题 Snake 演示的帧时间。这两个结果都不是与云端 API 的对比，也不能作为无辅助 Snake 推理的证据。