权重与许可
记录 checkpoint、VAE、文本编码器和附加模块的来源、版本、哈希与许可，不把文件名当作兼容性证明。
自我图书馆SELF LIBRARY持续整理中SHELF 02 / LOCAL AI
本地 AI 环境
将权重、依赖、设备能力和实验配置纳入同一份可复现的本地运行环境。
01 / WHY THIS EXISTS
先明确它要解决的
工程瓶颈。
本地 AI 环境的核心价值是可控性：模型版本、依赖版本、驱动、显存条件和输入资产都由自己掌握。它适合研究验证、离线推理、数据不出端和视觉工作流调试，但前提是环境记录足够完整，否则“能跑一次”无法变成可复现的工程结果。
02 / STUDY MAP
从原理到验证，
每个环节都应可观察。
以下条目不是固定配方，而是建立工程判断的最小框架。不同模型、硬件与负载需要在各自的边界内重新测量。
依赖与运行时
锁定 Python、PyTorch、CUDA、驱动和关键库版本。模型能否加载常常取决于这些约束，而不是单独取决于代码仓库。
设备与资源
检查 GPU 架构、显存、精度支持和本地磁盘吞吐。显存不足时应明确采用 offload、分块、量化或更小模型的哪一种策略。
实验可复现
保存随机种子、输入样本、参数、启动命令与输出元数据。没有这些记录，视觉结果与性能数字都难以比较。
03 / IMPLEMENTATION PATH
01
→建立清单
记录模型、许可、哈希、依赖和硬件边界
02
→创建隔离环境
锁定解释器、框架、驱动与运行时版本
03
→小样本验证
用已知输入检查加载、输出和显存峰值
04
固化配置
保存命令、配置、数据版本与结果元数据
交付判断
只有当功能正确性、质量指标、端到端延迟、峰值资源占用和故障回退方式都在目标设备上验证过，部署才算完成。单个 benchmark 或单张输出不能代表线上行为。
READING LIST / ORIGINAL SOURCES
页面用于整理工程概念和验证路径。API、硬件支持与性能特性会随版本改变，应以对应版本的官方文档和实际 profiling 结果为准。