釋出素材與建議文案
這些是可直接分享的檔案和草稿文案。尚未釋出任何社交媒體帖子。
| 素材 | 格式 | 時長 |
|---|---|---|
| 演示影片 | 1920 × 1080，H.264，影片 30 FPS | 30 秒，原始真即時間速度 |
| README GIF | 寬 1040 畫素的動圖 GIF | 15 秒，原始真即時間速度 |
| 最高速度影片 | 1920 × 1080，H.264，影片 30 FPS | 15 秒，原速，最佳化後的即時執行 |
| 海報 | 1920 × 1080 PNG | 約 85 秒處的真實錄制畫面 |
| 源錄製 | JSONL | 完整 100 秒的真實 TTY 執行 |
| 來源記錄 | JSON | 源雜湊、模型、時間戳和渲染器雜湊 |
源執行達到分數 40、長度 46，共 1,144 次由真實推理驅動的移動，零死亡、零安全乾預。為了可讀性，它的目標是每秒 12 次決策。影片是對錄製下來的終端單元格的渲染，螢幕上標為 RECORDED RUN · 1×。
額外的最高速度片段來自一次單獨的 20.01 秒 truecolor TTY 執行，使用 --optimize --max-speed：1,296 次移動，64.77 次移動/秒，分數 44、長度 50，零死亡、零干預。它包含即時終端流的寫入；沒有做時間壓縮。源 · 來源記錄。
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
讓模型直接選方向，而不是先生成一段文字。
Laya-MLX：在 Mac 上本地執行的開放權重決策模型。這個 3.22 億參數的貪吃蛇 demo，每一步都顯示真實方向機率、推理耗時和安全層接管次數。
0 個輸出 token，無推理 API。M3 Max 單問題基準 P50 為 7.39 ms。
pip install laya-mlx程式碼、權重和原始 benchmark：https://github.com/mizorewww/laya-mlx
單獨的效能後續
最佳化後的完整 Snake 迴圈測得 2,400 次移動內 75.40 次移動/秒，零死亡、2 次安全乾預，並與成對的 eager 對照在執行動作上達到 2,400/2,400 一致。在那次執行中它約快 6.5%。這包含規劃、推理、Rich 組裝、ANSI 序列化和遊戲更新，但不含終端模擬器的繪製。
分享這個數字時請使用最佳化報告。7.39 ms 這個頭條數字描述的是單獨的單問題 API 固定樣本；它不是這個三問題 Snake 演示的幀時間。這兩個結果都不是與雲端 API 的對比，也不能作為無輔助 Snake 推理的證據。