GitHubDaily(@GitHub_Daily):让小模型看一张图回答一串选择题，常见做法是让它输出 JSON，可问题一多格式就开始出错，代码那头直接解析失败。 jev-visual 换了个思路，参考 TypeSafe 家 Jev 的做法，不让模型生成文字，而是给每个候选答案直接打分，挑分最高的那个。它是个在 Apple 芯片 Mac 上跑的学习项目，模型用 0.8B 的 Qwen3.5。同一张图一次能问 1 到 64 个问题，选项题、是非题、分等级打分都行。图片和上下文只算一遍，各个问题共用。作者在 M4 上测了 64 个问题，每个问题单独算要 37.30 秒，共用之后 2.40 秒。 GitHub：https://t.co/vykLDqISOv 仓库里带了三个小游戏演示，传送带分拣、打砖块、用摄像头手势控制粒子。打砖块那个挺实在，小模型盯不住球，作者干脆把画面分成五块，只问球在哪一块。首次运行要下载大约 600 MB 的模型，之后全在本地跑，有网页界面、命令行和接口三种用法，还配了中文说明。想弄明白视觉模型推理每一步在干什么，照着 README 给的阅读顺序看代码，会顺很多。

2026.09.23 13:30

让小模型看一张图回答一串选择题，常见做法是让它输出 JSON，可问题一多格式就开始出错，代码那头直接解析失败。 jev-visual 换了个思路，参考 TypeSafe 家 Jev 的做法，不让模型生成文字，而是给每个候选答案直接打分，挑分最高的那个。它是个在 Apple 芯片 Mac 上跑的学习项目，模型用 0.8B 的 Qwen3.5。同一张图一次能问 1 到 64 个问题，选项题、是非题、分等级打分都行。图片和上下文只算一遍，各个问题共用。作者在 M4 上测了 64 个问题，每个问题单独算要 37.30 秒，共用之后 2.40 秒。 GitHub：仓库里带了三个小游戏演示，传送带分拣、打砖块、用摄像头手势控制粒子。打砖块那个挺实在，小模型盯不住球，作者干脆把画面分成五块，只问球在哪一块。首次运行要下载大约 600 MB 的模型，之后全在本地跑，有网页界面、命令行和接口三种用法，还配了中文说明。想弄明白视觉模型推理每一步在干什么，照着 README 给的阅读顺序看代码，会顺很多。