openclaw使用本地llama.cpp

llama.cpp兼容openapi接口,自然可以作为openclaw的后端。
添加自定义provider同前:为openclaw增加自定义provider
反复修改,总是不能得到正确的model状态。

{"meta":{"lastTouchedVersion":"2026.2.3-1", "lastTouchedAt":"2026-02-05T12:16:30.399Z"}, "wizard":{"lastRunAt":"2026-01-30T12:20:58.674Z", "lastRunVersion":"2026.1.29", "lastRunCommand":"onboard", "lastRunMode":"local"}, "models":{"mode":"merge", "providers":{"llamacpp":{"baseUrl":"http://192.168.1.182:8087/v1", "apiKey":"no need key", "api":"openai-completions", "models":[{"id":"Qwen3-8B-Q6_K", "name":"Qwen3", "api":"openai-completions", "reasoning": true, "input":["text"], "cost":{"input":0, "output":0, "cacheRead":0, "cacheWrite":0}, "contextWindow":262144, "maxTokens":32000}]}}}, "agents":{"defaults":{"model":{"primary":"llamacpp/Qwen3-8B-Q6_K"}, "models":{"llamacpp/Qwen3-8B-Q6_K":{"alias":"Qwen3"}}, "maxConcurrent":4, "subagents":{"maxConcurrent":8}}}, "messages":{"ackReactionScope":"group-mentions"}, "commands":{"native":"auto", "nativeSkills":"auto"}, "gateway":{"port":18789, "mode":"local", "bind":"loopback", "auth":{"mode":"token", "token":"a08c51975f90e3afa566f4af1de977a70b6e9630909cc8c0", "password":"a08c51975f90e3afa566f4af1de977a70b6e9630909cc8c0"}, "tailscale":{"mode":"off", "resetOnExit":false}}, "skills":{"install":{"nodeManager":"npm"}}}

注意C:\Users\yusp7.openclaw\agents\main\agent\models.json,要与config\models\provider里一致,内容不能有重复provider名的:

{"providers":{"llamacpp":{"baseUrl":"http://192.168.1.182:8087/v1", "apiKey":"no need key", "api":"openai-completions", "models":[{"id":"Qwen3-8B-Q6_K", "name":"Qwen3", "api":"openai-completions", "reasoning": true, "input":["text"], "cost":{"input":0, "output":0, "cacheRead":0, "cacheWrite":0}, "contextWindow":262144, "maxTokens":32000}]}}}
在这里插入图片描述


但是,为什么返回的对话不对?

在这里插入图片描述

Read more

面向AIGC内容安全:cv_resnet50_face-reconstruction如何嵌入Deepfake检测预处理环节

面向AIGC内容安全:cv_resnet50_face-reconstruction如何嵌入Deepfake检测预处理环节 1. 为什么人脸重建是Deepfake检测的“隐形守门人” 在AIGC内容安全实践中,很多人把注意力放在最终的判别模型上——比如用ViT或EfficientNet去分类“真/假视频”。但实际落地时,90%的检测失败不是因为判别不准,而是输入质量太差:模糊、遮挡、侧脸、低光照、多张人脸……这些都会让后续模型“看走眼”。 cv_resnet50_face-reconstruction 就是这个被忽视却至关重要的前置环节。它不直接判断真假,而是先把原始帧中的人脸“标准化”:精准定位、对齐、裁剪、归一化到统一尺寸和姿态。就像给医生做CT前先调好扫描参数——参数不准,再厉害的诊断模型也白搭。 这个模型不是通用图像重建,而是专为人脸设计的轻量级重建器。它基于ResNet50主干网络,但做了三处关键改造:第一,去掉最后两层全连接,接入人脸特征解码头;第二,用L1+感知损失联合优化,保证重建后五官结构不变形;第三,完全剥离对海外CDN的依赖,

AIGC ---探索AI生成内容的未来市场

AIGC ---探索AI生成内容的未来市场

文章目录 * 一、AIGC的市场现状与挑战 * 1. 快速发展的生成模型 * 二、AIGC在内容生成中的应用场景 * 1. 文本生成的实际案例 * 2. 图像生成的多样化探索 * 3. 跨模态内容生成的实现 * 三、AIGC市场的技术挑战与解决方案 * 1. 数据质量问题 * 2. 模型偏差问题 * 3. 内容真实性问题 * 四、AIGC的未来趋势 * 1. 多模态生成成为主流 * 2. 垂直领域的深入 * 五、总结 AI生成内容(AIGC)正成为科技领域的热点,广泛应用于文本生成、图像生成、视频生成等多个方向。本文将通过丰富的代码示例,带您探索AIGC市场的潜力、挑战及应用技术。 一、AIGC的市场现状与挑战 1. 快速发展的生成模型 当前的主流AIGC模型包括: * 文本生成:如OpenAI的GPT系列。 * 图像生成:如Stable Diffusion、DALL·E。

在昇腾NPU上跑Llama 2模型:一次完整的性能测试与实战通关指南

在昇腾NPU上跑Llama 2模型:一次完整的性能测试与实战通关指南

目录 * 在昇腾NPU上跑Llama 2模型:一次完整的性能测试与实战通关指南 * 引言:从“为什么选择昇腾”开始 * 第一幕:环境搭建——好的开始是成功的一半 * 1.1 GitCode Notebook 创建“避坑指南” * 1.2 环境验证:“Hello, NPU!” * 第二幕:模型部署——从下载到运行的“荆棘之路” * 2.1 安装依赖与模型下载 * 2.2 核心部署代码与“坑”的化解 * 第三幕:性能测试——揭开昇腾NPU的真实面纱 * 3.1 严谨的性能测试脚本 * 3.2 测试结果与分析 * 第四幕:性能优化——让Llama跑得更快 * 4.1 使用昇腾原生大模型框架 * 4.

开源机器人 AI 框架 LeRobot 入门与实践

开源机器人 AI 框架 LeRobot 入门与实践

开源机器人 AI 框架 LeRobot 入门与实践 主题:从经典到前沿:具身智能 VLA 入门和实践分享 预约连接:https://m.bilibili.com/opus/1156503743617826868?bsource=dynamic_reserve 分享大纲(总时长:30-45 分钟) 模块 1:机器人抓取经典方法简单疏通 核心内容:梳理机器人抓取经典技术栈 —— 规划控制、视觉方法、模仿学习、强化学习、端到端,通俗讲解核心逻辑,快速建立技术认知 模块 2:具身智能 VLA 解析 核心内容:ppt讲解 ,概念介绍 + 技术路线简析 + 前沿综述汇总 + 前景与挑战分析,兼顾理论基础与行业视角 模块 3: