可分享的 Snake 演示

README 以一個 15 秒的 GIF 開場，內容是一次真實的 Core ML 終端執行。與之配套的 20 秒、1920×1080 的 MP4 適合用作社交平臺帖子。兩者都以 1× 牆鐘速度回放原始錄製。

• 下載 MP4
• 下載 GIF
• 預覽 PNG
• 媒體來源與渲染器雜湊
• 原始的 75 秒決策錄製

錄製了什麼

安裝好的 laya-coreml wheel 在 M3 Max 上一個真實的 112 列 × 38 行偽終端裡執行。模型在遊戲開始前從公開、固定的 ANE FP16 Hub 快照下載。遊戲過程用 Core ML 執行時離線進行，該環境裡沒有安裝 Torch、Transformers 或 MLX。

影片幀對原始決策進行取樣。它們不會觸發額外的預測，也不會讓蛇加速。渲染器使用與即時 UI 相同的終端單元格合成，並把匯出標記為 RECORDED RUN · 1×。GIF 約 1.6 MB；MP4 約 0.7 MB。

模型收到確切的規劃器特徵。啟用了迴圈安全層，其干預計數器始終可見，儘管這次執行無需任何覆蓋。這裡的零死亡是一個有邊界的觀察，不能證明可以無限期地無人輔助遊玩。顯示的風險和食物可達性是模型估計值。

UI 的推理計時包含 三個順序的型別化問題。單獨的 4.98 ms 基準在持續負載下測量 一個簡短問題。這些工作負載、節奏和計時邊界各不相同。完整的遊戲迴圈速率測試見 SNAKE_BENCHMARKS.md。

復現這段錄製

安裝 laya-coreml[demo]==0.1.0，從 RELEASE.md 下載固定的模型，然後執行：

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.png

要做指令碼化的真實終端捕獲，原始碼 checkout 裡包含 scripts/record_terminal.py：

python scripts/record_terminal.py --log artifacts/session.ansi -- \
  laya-coreml-snake --model ./models/ane --seed 7 --fps 12 \
  --duration 75 --record snake.jsonl

建議的帖子文案

英語：

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

中文：

把一個 3.22 億參數的決策模型搬到了 Mac 的 Neural Engine 上，用它即時玩貪吃蛇。 機率即時變化，0 個生成 token，下載模型後完全離線。影片是原速實錄，安全層和干預 次數直接顯示在介面上。程式碼、權重、PyPI 包和完整 benchmark 都已開放： https://github.com/mizorewww/laya-coreml

對於以效能為重點的後續帖子，請使用這個確切說法：一次簡短的多語言決策 P50 為 4.98 ms，在配對的 M3 Max 實驗中每個決策的估計系統能耗比編譯後的 MLX FP16 低 2.78×。連結 測量方法，保留其工作負載限定條件，不要把它標成 Snake 幀時間或 10× 結果。