🤖 ‏ راهنمای انتخاب مدل هوش مصنوعی بر اساس سخت‌افزار

🚀 ‏ اگر قصد دارید مدل‌های زبانی بزرگ (LLM) را به صورت محلی بر روی سیستم شخصی خود اجرا کنید اما در انتخاب مدل بهینه برای سخت‌افزارتان دچار تردید هستید، ابزار جدید whichllm یک راهکار کاربردی است.

🧠 ‏ این ابزار با بررسی دقیق GPU، CPU و RAM سیستم شما، بهترین گزینه‌ها را شناسایی می‌کند. هدف اصلی این پروژه ارائه پیشنهادهایی است که تعادل مناسبی میان عملکرد مدل و محدودیت‌های سخت‌افزاری شما برقرار کنند.

⚙ ‏️ استفاده از این ابزار به کاربران کمک می‌کند تا بدون آزمون و خطای طولانی، مدل‌های سازگار با ظرفیت VRAM و توان پردازشی خود را پیدا کنند. برای بررسی قابلیت‌های این ابزار و مشاهده جزئیات فنی آن می‌توانید به مخزن گیت‌هاب پروژه مراجعه کنید.

‏مخزن GitHub پروژه

🔗 ‏ GitHub

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#whichllm #VRAM

‏🦥 انقلابی در اجرای محلی مدل‌ها با Unsloth Desktop

‏تیم Unsloth با معرفی نسخه دسکتاپ، امکان آموزش و اجرای مدل‌های هوش مصنوعی را به شکلی بی‌نظیر برای سیستم‌های شخصی فراهم کرده است. این نرم‌افزار که از ویندوز، مک و لینوکس پشتیبانی می‌کند، محدودیت‌های سخت‌افزاری را برای توسعه‌دهندگان به حداقل می‌رساند.

‏مهم‌ترین ویژگی‌های این نسخه عبارتند از:
‏• افزایش سرعت آموزش تا ۲ برابر و کاهش ۷۰ درصدی مصرف VRAM
‏• پشتیبانی کامل از طیف گسترده‌ای از مدل‌ها شامل MLX، GGUF و مدل‌های diffusion
‏• سازگاری با پردازنده‌های گرافیکی NVIDIA، AMD، Intel و تراشه‌های Apple
‏• امکان اتصال ابزارهایی مانند Claude Code به LLMهای محلی
‏• پشتیبانی از RAG و جستجوی خصوصی برای امنیت داده‌ها

‏شما می‌توانید برای دانلود و شروع کار به مستندات و راهنمای Unsloth مراجعه کنید یا کدهای پروژه را در مخزن گیت‌هاب بررسی نمایید. این ابزار مسیر توسعه‌دهندگان برای شخصی‌سازی مدل‌ها در محیطی امن و سریع را هموار کرده است.

📊 Data➕Science 🇮🇷 - هوش مصنوعی و علم داده به فارسی
📩 ارتباط با ما

#Unsloth_Desktop #VRAM