39.1K Stars1 Skills2.5K ForksMIT11月18日更新Skill 仓库

AI 概览 · 由大模型根据 SKILL.md 与仓库数据生成 · 2026年7月19日

根据本机硬件匹配适合运行的本地大模型

这个 Skill 用来读取本机硬件信息,重点关注 RAM、CPU 和 GPU/VRAM 等条件,再据此评估本地大模型的可运行性。它面向的是“先看机器能不能跑、再看跑得合不合适”的场景,帮助用户在大量模型和提供方中做更贴近硬件条件的初筛。

包含 Skill

1

可以单独安装

GitHub Star

39.1k

仓库累计 Star

近 7 天

+154

新增 Star

代码更新

2026年11月18日

最近一次推送

核心亮点

  • 1硬件匹配

    基于本机资源判断模型是否更可能跑得动。

  • 2量化参考

    结合不同量化方式,帮助比较可部署性。

  • 3性能预估

    提供速度估计和适配评分,便于筛选。

能做什么

  • 检测本机硬件条件,包括 RAM、CPU 和 GPU/VRAM。
  • 根据硬件条件推荐更适合的本地 LLM 模型。
  • 结合量化方式进行适配判断。
  • 提供速度估计参考。
  • 提供 fit scoring,辅助比较不同模型的匹配度。

适用场景

  • 在笔记本上评估哪些本地模型更适合运行。

  • 为只有有限显存的电脑筛选可用的量化模型。

  • 在部署前粗略比较多个模型的适配度。

  • 为不同硬件配置准备本地推理方案。

用之前和用之后

  • 需要自己判断机器能否运行某个模型。可以先按硬件条件做初筛。
  • 模型选择容易受经验影响。可以参考速度估计和适配评分。
  • 筛选过程分散。可以围绕同一套硬件条件统一评估。

它是怎么工作的

  1. 第 1 步

    检测硬件

  2. 第 2 步

    筛选模型

  3. 第 3 步

    输出评分

快速上手

安装与复制命令见“安装方式”。

  1. 1

    先确认自己的本机硬件配置。

  2. 2

    将硬件信息交给该 Skill 做评估。

  3. 3

    根据输出的量化、速度和适配度结果筛选模型。

  4. 4

    如需进一步使用,回到对应源文件确认具体流程。

适合谁

  • 想在本地跑大模型的个人用户
  • 需要先做硬件可行性评估的开发者
  • 做模型部署前筛选的技术人员

局限

  • 来源信息未提供具体模型列表和筛选规则。
  • 未看到明确的输入格式与输出示例。
  • 未提供安装命令或完整使用流程。
  • 适配结果仍需要结合实际环境进一步确认。

使用前注意

  • · 需要核验该 Skill 的实际输入要求和输出格式。
  • · 需要核验不同硬件条件下的评估是否覆盖你的设备类型。
  • · 需要核验量化、速度估计和适配评分的计算依据。

包含的 Skills · 1

公开来源

相关 Skills

查看更多