KeyFrame內部研究專用

Unlimited Free GLM 5.2 + Claude Code! 🤯

The Ai Algorithm4 min英文
觀看原始影片

三句話摘要

教你免費在本地機器上運行 GLM 5.2 模型,透過 Nvidia API、Jan.ai 和 Claude Code 三工具組合。 透過三層工具組合,開發者可完全免費在本地運行 GLM 5.2,雖然回應較慢但完全無成本。 架構設計:利用 Jan.ai 作為中間代理層,將 Nvidia GLM 5.2 API 與 Claude Code 連接,實現三層式免費 AI 開發環境,無需付費訂閱。

重點整理

  1. 架構設計:利用 Jan.ai 作為中間代理層,將 Nvidia GLM 5.2 API 與 Claude Code 連接,實現三層式免費 AI 開發環境,無需付費訂閱。

  2. 關鍵工具角色分工:Nvidia 提供模型存取金鑰、Jan.ai 執行協議轉換與本地伺服器啟動、Claude Code 作為開發交互介面,三者環環相扣。

  3. 效能與成本的現實權衡:實測回應延遲約 2 分鐘,相比商業 API 明顯較慢,但完全免費,適合對速度容忍度高且重視成本的個人開發者。

實用技巧與重點

  • Nvidia 官方網址:build.nvidia.com
  • 軟體工具:Claude Code、Jan.ai(Windows 版)、Nvidia GLM 5.2
  • API 金鑰申請流程:進入網站 → 原型區段 → 文件連結 → 生成 API 金鑰 → 帳戶註冊 → 電話驗證
  • Claude Code 安裝方式:PowerShell 指令安裝
  • Jan.ai 設定步驟:設定 → 模型供應商選擇 Nvidia → 啟用 API 金鑰選項 → 貼入金鑰 → 刷新
  • 模型配置:Long Model 設定為 GLM 5.2
  • 實測回應時間:約 2 分鐘
  • 測試方法:執行 Claude Code → 輸入 `/model` 指令 → 選擇 GLM 5.2

結論

透過三層工具組合,開發者可完全免費在本地運行 GLM 5.2,雖然回應較慢但完全無成本。

完整解析

在人工智慧應用成本日益高昂的時代,個人開發者常面臨訂閱費用的困擾。本教學展示了一個巧妙的免費方案:透過組合 Nvidia、Jan.ai 和 Claude Code 三個工具,在本地機器上建立 GLM 5.2 的完整運行環境,不需花費任何金額。

整個流程首先需要獲取 Nvidia 的 API 金鑰。使用者前往 build.nvidia.com 網站,在原型區段找到 GLM 相關的文件連結,點選生成 API 金鑰。過程中需完成帳戶註冊、電子郵件驗證以及電話號碼驗證。一旦金鑰生成,複製備用即可。

接著安裝 Claude Code 命令行工具。透過在 PowerShell 中執行官方指令,幾分鐘內便完成安裝。同時下載並安裝 Jan.ai 的 Windows 版本。Jan.ai 的核心作用是充當代理伺服器,負責將 Nvidia API 轉換為本地可用的格式。在 Jan.ai 的設定面板中,選擇 Nvidia 作為模型供應商,啟用 API 金鑰選項並貼入之前獲得的金鑰。刷新後,系統自動列出可用模型,GLM 5.2 赫然在列。隨後在 Claude Code 設定中將長文本模型指定為 GLM 5.2,保存並啟用本地 API 伺服器。

測試相當直接。在專案資料夾開啟終端,執行 Claude Code,輸入 `/model` 指令選擇 GLM 5.2,便可開始對話。例如輸入「Build a folder structure for this project」,模型在約 2 分鐘後返回建議。實測發現回應延遲明顯——相比商業 API 慢約 2 倍——但對於實驗用途或非實時開發,零成本優勢足以彌補速度劣勢。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。