上一篇《把 Google AI Ultra 1000 CCU 榨出双倍价值：CLI 无头飙车 + 96GB 满血跑通 33B H3 影视级文戏与避坑全录》发出后，拿到了 14 万+ 阅读和 800+ 收藏。不少朋友跟着把 Google Drive 20TB 云盘挂上了，也用 Colab 新出的 G4 实例（RTX PRO 6000 Blackwell，96GB 显存，现在实时费率涨到了每小时 10.05 CCU） 跑通了 33B 的视频模型。

这几天我一直在琢磨另一件事：既然 G4 有 96GB 显存，再加上机器自带的 188GB DDR5 内存（free -h显示 176 GiB），我能不能干脆在单张卡上把刚开源的 DeepSeek-V4.1-Flash-1017（总参数 748B）跑起来，当成我自己的私人不限速 API 用？

说实话，刚开始看文件体积我是有点发怵的。满血 FP8 要700多 GB 就不提了，哪怕是压到 2-bit 的 IQ2_XXS 量化版，HuggingFace 仓库里标出来的总大小也有 215GB 到 275GB。G4 本地硬盘才 200GB 出头，要是直接从云盘挂载硬跑，每蹦一个字都要狂读硬盘，速度不到 0.5 tok/s，根本没法用。

折腾了几天之后，我终于摸清了它的分片套路，把整个模型塞进了 G4 的「显存 + 内存」里，做到了 0 磁盘 Swap、每秒 47～52 个 Token 的丝滑输出，还顺手把社区最火的两个 2-bit 量化版本（Unsloth 版 和 Abiray 版）拉出来遛了一圈。这篇就用大白话记录一下我的实际测试过程和踩过的坑。

把 Google AI Ultra 1000 CCU 榨出双倍价值（第三弹）：用单卡 96GB G4 跑通 748B DeepSeek-V4.1 折腾实录 第1张图片

⚡ 先放我实测下来的几个核心结论：

  1. 不用被 275GB 吓到，核心权重其实只有 165GB（但写代码千万别把 Engram 置零！）：看懂文档后我才发现，748B 里负责思考和写代码的 552B 骨干网（前 5 个分片）只有 165.3 GB（Abiray 版更是只有 138.6 GB），能全部塞进 G4 的 96GB 显存 + 188GB 内存。我这次测试为了省本地硬盘空间，把 196B 的 Engram 查找表置零跑完了全程；但从第四章鹈鹕骑车的源码实测来看，Engram 置零会导致严重的「提笔忘字」拼写 Bug，日常写代码还是不能置零——我在第四章末尾补上了在单卡 G4 上挂载完整 Engram 的 3 个落地方案。
  1. 生成速度够快，长文也不卡：平时聊天写代码稳定在 47 ~ 52 tok/s模型原生支持 1M 上下文，我在 G4 上开了 128K 窗口，实测塞进去 11.5 万 Token 的代码库，34 秒就开始往外蹦字了。
  1. 一套权重、两种人设：我写了个小网关，不多占显存，在客户端里同时刷出 standard 和 uncensored 两个模型名（本质是同一份权重配不同的系统提示词），通过 Cloudflare 固定隧道直接连到本地桌面端用。

把 Google AI Ultra 1000 CCU 榨出双倍价值（第三弹）：用单卡 96GB G4 跑通 748B DeepSeek-V4.1 折腾实录 第2张图片

一、我是怎么把 748B 塞进单卡 G4 的？

1. 拆包才发现的真相：前 5 个分片才是本体

我最开始去下 Unsloth Dynamic V3.1 UD-IQ2_XXS 的时候，看到总大小 275 GB 差点放弃。后来仔细翻了翻 Unsloth 官方文档 和 GGUF 分片列表，才搞明白 DeepSeek-V4.1 的真实结构：

  • 前 5 个分片（00001 ~ 00005）：这是 552B 的 MoE 核心骨干网，加起来其实只有 165.30 GB（如果用 Abiray 的 GSQ-RCO IQ2_XXS 版本，4 个分片更是只有 138.59 GB）；
  • 第 6 个分片（00006）：剩下的 约 110 GB 全是一个叫 Engram（196B 记忆查找表） 的附加表（IQ4_NL 版是 110.6 GB），Unsloth 官方文档也写了 Engram 可以单独混搭（Mix-and-Match）。
    搞清楚这点之后，账一下就算过来了：G4 有 96GB 显存 + 188GB 内存，装一个 139GB～165GB 的骨干网没问题。

但当时看本地硬盘，165GB 骨干加 110GB Engram 已经超过 G4 本地 NVMe 能用的约 205GB，而且看到 Unsloth 文档说删掉 Engram 不影响跑分，我这次测试就偷了个懒：只写入 Engram 文件开头的 128KB 头信息，后面全部置零（稀疏文件，几乎不占盘），先把推理引擎跑起来。既然已经测到这一步了，下面所有的速度和实测都是在这套 Engram 置零的环境下跑出来的——至于为什么实测证明 Engram 其实不能置零，以及怎么在 G4 上把真 Engram 塞进去，我们放到第四章详细拆解。

把 Google AI Ultra 1000 CCU 榨出双倍价值（第三弹）：用单卡 96GB G4 跑通 748B DeepSeek-V4.1 折腾实录 第3张图片

我最终跑通的方案很简单，分三步走：

  1. 先把模型从 Google Drive 拷到本地 NVMe 盘：千万别直接在 /content/drive 云盘目录上加载模型，云盘的随机读取慢得让人抓狂。我在脚本里让 4 个分片同时拷、每个分片再开十几个线程分块读，实测落盘大约 500 MB/s，加上预热内存，一次冷启动大概 4～5 分钟。
  2. 把 96GB 显存塞到 97% 满：模型一共 40 层、每层 384 个专家。我把每层必用的注意力层和共享专家（约 8.1 GiB）加上最常被调用的 10,947 个专家（约 71%，84.75 GiB） 全部钉死在 G4 的显存里，nvidia-smi 看到显存稳稳停在 95,111 MiB / 97,887 MiB。
  3. 剩下的专家全部锁进 DDR5 内存：剩下约 29% 的 4,413 个专家放在主机内存里（–arena-gib 76 锁页内存池加上系统 Page Cache），需要时通过 PCIe 直接喂给显卡，推理过程中不用回头读硬盘。Unsloth 版实测输出速度稳定在 47.44 tok/s。

二、做个小网关：零显存「一机双模」+ 接进本地客户端

模型跑起来之后，我自己平时用有两个痛点：

  1. 有时候写正经项目想要带安全对齐的标准版（standard），有时候做逆向分析或者写点自由度高的脚本，又不希望模型跟我说教，想要无限制版（uncensored）。
  2. 很多桌面客户端默认发过来的 max_tokens 只有 4096 或 8192，而 DeepSeek 思考过程就要占掉几千字，经常思考完了准备写代码时突然被截断。
    所以我干脆在服务端前面加了一层轻量级网关（由 fast_start_g4.sh 一起拉起，推理服务在 8150 端口，网关在 18150 端口）：

这层网关帮我干了三件最实在的事：

  • 不多占显存的两种人设：网关对外提供 deepseek-v4.1-flash-1017-standard 和 deepseek-v4.1-flash-1017-uncensored 两个名字，根据我在客户端里选的模型注入不同的系统提示词，底下用的是同一份权重。要注意的是，Abiray 这个仓库本身就是去审查（abliterated）的权重，加载它的时候 standard 也只是提示词层面的约束。
  • 彻底解决长代码被截断：我保留了官方默认的 8,192 深度思考预算，同时在网关层把默认最大输出直接托底拉到了 65,536（64K）tokens。哪怕模型思考用满 8,192 tokens，后面还剩 5 万多 tokens 够它一次性把几千行代码写完；如果回答很短，说完也会立刻停。
  • 多轮对话不用每轮从头重算：服务端会自动把前几轮历史里的 思考过程剥掉，并用 KV 快照回滚到上一轮，只增量计算新内容。当然对话越长，每个 token 要看的上下文越多，速度还是会慢慢下降一点。
    至于怎么连回我自己的电脑？如果是在 G4 实例内部跑测试脚本，直接连 http://127.0.0.1:18150 延迟最低；但平时在自己的 Mac 上用桌面客户端，如果用默认的 trycloudflare.com 临时隧道，每次重启 Colab 都会换一串随机域名，每天还得去客户端里改地址，非常烦人。

所以我干脆花 2 分钟配了一条 Cloudflare 自定义域名固定隧道（Named Tunnel），一次配好终身免改：

  1. 建隧道拿 Token：登录 Cloudflare Zero Trust 控制台，进入 Networks -> Tunnels 点创建隧道（选 Cloudflared），复制页面生成的那串 eyJhIjoi… 开头的 Tunnel Token；
  2. 绑自定义子域名：在隧道的 Public Hostname 里填上你托管在 Cloudflare 的子域名（比如我配的 deepseek.delroys.uk），后端 Service 类型选 HTTP、地址填 127.0.0.1:18150（对应 G4 上的双模网关端口）；
  3. 开机自动挂载：在 Colab 里跑一句 cloudflared tunnel run –token <你的Token>（我已经把它集成进了 fast_start_g4.sh，只要导出环境变量 CF_TUNNEL_TOKEN 就会自动挂上固定域名；不传 Token 则自动回退到免配置的 trycloudflare.com 临时域名）。
    配好之后，像下面这样把 https://你的域名/v1 填进 deepseek HARNESS 客户端里，点一下「获取可用模型」，两个模型就全刷出来了，以后不管 Colab 重启多少次，客户端永远不用改配置：

三、实机溜溜看：「鹈鹕骑自行车」三方 10 秒同屏对决

目前 HuggingFace 上最火的两个 2-bit 量化版分别是：

  1. Unsloth Dynamic V3.1 (UD-IQ2_XXS)：10 月 30 号刚更新的 V3.1 动态量化版，骨干网 165.3 GB，官方测出来数学/科学四项平均分高达 84.2%（只比满血 FP8 的 85.4% 低了 1.2%）。
  2. Abiray (GSQ-RCO IQ2_XXS)：用 ISTA-DASLab 的 GSQ-RCO 算法压出来的去审查版本，骨干网更小，4 个分片只有 138.6 GB，Engram 单独用 IQ4_NL 格式的文件。
    光看跑分没意思，我直接拿 AI 圈最经典的那道「用 SVG 画一只骑自行车的鹈鹕」来溜溜它们（再强调一次：两个版本都是在 Engram 置零的状态下跑的）。这题贼损，因为模型既得知道鹈鹕那标志性的大嘴兜长啥样，又得把自行车架画对，还得算明白两条腿怎么跟着脚踏板转圈。

我把 ① 官方满血版演示、② Abiray IQ2_XXS 和 ③ Unsloth UD-IQ2_XXS 生成出来的网页用无头浏览器各录了 10 秒视频，拼成了下面这个 上、中、下三行同屏对比视频：

说实话，跑出来那一刻我挺惊讶的——这两个 2-bit 量化版画出来的效果，比官方演示还要丰富得多：

  • 两个版本都没有「断腿」或「车轮悬空」：它们全都自己写了一段逆运动学代码，让鹈鹕的两只脚蹼老老实实踩在脚踏板上跟着转，连大嘴兜都会随着踩车的节奏一颠一颠地晃动，甚至还自己加上了调速滑块、时速表和晴天/夕阳/夜晚切换按钮。
  • 风格差异很明显：Abiray 版 更像插画师，画了个漂亮的红色复古弯梁车和双层大嘴兜，远景还有海浪和灯塔；而 Unsloth 版 更像个理工男，规规矩矩画出了标准的六管钻石型自行车架和 20 根辐条，加速到 50 多码的时候还带迎风气流特效。
    把 Google AI Ultra 1000 CCU 榨出双倍价值（第三弹）：用单卡 96GB G4 跑通 748B DeepSeek-V4.1 折腾实录 第4张图片

四、看鹈鹕源码时发现的一个神坑：Engram 置零会让人「提笔忘字」

其实上面第三行那个惊艳的 Unsloth 鹈鹕视频，是我修掉了几个拼写 Bug 之后才跑出来的。翻看它刚生成出来的原始 HTML 源码时，我撞上了一个特别有意思的现象，刚好能直观展示 把 Engram 置零到底会发生什么。

前面提到，Unsloth 在官方文档里写过一句：“我们在测跑分时把 196B 的 Engram 分片直接删掉了，对跑分没有任何影响。”

因为 G4 本地盘放不下完整的 Engram，我也是只留了文件头、后面全部置零。既然官方说不影响跑分，我一开始也没当回事。结果打开模型直出的原始 HTML 源码一看，发现了让人哭笑不得的一幕：

  • 最难的几何计算和物理连杆一点没降智：不管是六管钻石车架的顶点闭合、20 根车轮辐条的角度分布，还是鹈鹕两条腿踩脚踏板的余弦定理逆运动学函数 solveIK，它算得全对；
  • 但它写基础标签和英文单词时却集体「打瓢」了：
  1. SVG 标签漏字母导致画面缺胳膊少腿：它把代码里整整 14 处椭圆标签 全都漏掉最后一个字母写成了 ——直接导致浏览器不认识这个标签，天空里的 4 朵白云、鹈鹕的眼白（只剩一个孤零零的黑眼珠）和坐垫阴影全部凭空消失！
  2. 按钮与注释错别字连篇：控制栏按钮上的晴天和夕阳被写成了 ☀ Suny 和 ☼ Sunsot，注释里的尾羽写成 tail feathres、喉囊按发音拼成 throte pouch、视差写成 parralax、前景沙滩更是写成了 FORWEGRUND SAN。
  3. API 名称被拆出空格 + 喉囊与翅膀坐标原点重复叠加狂抖：JS 里的 querySelector 被写成了带空格的 query Selecter、setAttribute 写成 set Attribute、innerHTML 写成 innerH TML，不删掉空格连脚本都跑不起来；更绝的是，它在喉囊 （变量名还拼错成 pouder）和翅膀 上既写了 transform-origin=”730px 276px”，又在 JS 的 transform 里手动写了一遍 translate(730 276) scale(…) translate(-730 -276)。两个原点叠加之后，喉囊的实际缩放中心被甩到了画布外面的 (1460, 552)，导致原本轻微的呼吸缩放变成了左右七十多像素的剧烈活塞抽搐，大嘴兜直接缩到脖子后面狂抖，翅膀末端也在车把上方不停乱颤。
  4. 全场最逗的名场面：发现拼错却没法按退格键，当场写 .replace() 自救：在原始源码第 664 行，模型想写 theme，结果手滑打成了 “theheme”。紧接着它的 552B 骨干网立刻意识到自己拼错了，但因为大模型是逐 Token 往外蹦字的，没法按退格键（Backspace）删掉前面的错字，它居然在紧接着的下一个 Token 补了一句字符串替换来强行圆场：
    把 Google AI Ultra 1000 CCU 榨出双倍价值（第三弹）：用单卡 96GB G4 跑通 748B DeepSeek-V4.1 折腾实录 第5张图片

看到这行代码的时候我差点笑出声——这简直就是「脑子极其清醒，但手部肌肉突然不听使唤」的最强铁证！

把 Google AI Ultra 1000 CCU 榨出双倍价值（第三弹）：用单卡 96GB G4 跑通 748B DeepSeek-V4.1 折腾实录 第6张图片

我做了一个小实验：一行数学公式和坐标都不改，只把被拆开的 JS API 空格删掉，再对比「修正前（保留 <ellips> 缺云朵/眼白、Suny/Sunsot 错字，以及喉囊/翅膀原点双重叠加狂抖）」和「修正后（批量补全 <ellipse> 标签并删掉重复的 transform-origin）」的实际画面，录了下面这个 10 秒同屏对比视频：

上行修正前，天空光秃秃一片、鹈鹕只有黑眼珠没有眼白、底下按钮写着 Suny 和 Sunsot，橙色大嘴兜更是缩到脖子后面跟翅膀一起疯狂抽搐；下行仅仅修掉了这几个拼写和重复属性小瑕疵，4 朵白云和眼白瞬间全部复原，大嘴兜乖乖挂回下巴底下轻微呼吸，翅膀也稳稳锁死在了车把上！

把这个对比视频和源码放在一起看，748B 架构的分工一下就透亮了：

  • 为什么 Unsloth 测数学跑分（AIME / MMLU）发现删掉 Engram 没影响？ 因为数学题最后只看括号里的一个数字（比如 123），选择题只看 A/B/C/D，这些纯靠 552B MoE 骨干网 的逻辑推理就能拿满分。
  • 那 196B 的 Engram 表到底是干嘛的？ 它其实就是模型的「拼写与语法肌肉记忆库」！DeepSeek 把死记硬背单词怎么拼、HTML 标签和 DOM API 怎么连写的活儿交给了这个 196B 的查找表。一旦把它置零，模型脑子虽然还很聪明（连逆运动学都手到擒来），但写起代码来就像一个「逻辑满分却突然提笔忘字」的程序员。

既然实测证明 Engram 真不能置零，在单卡 G4 上怎么加 Engram 才不掉速？

说实话，虽然我这次为了省事直接用「Engram 置零」测完了全程，但看完鹈鹕这份错字连篇的原始代码，结论已经非常明确了：只要你是拿它来写正经代码，这个 196B 的 Engram 记忆表还真不能置零！

但想在单卡 G4 上把真 Engram 挂上去，有两本硬账必须算清楚：

  1. 硬盘账：G4 本地 NVMe 盘只有约 205 GB 可用空间，直接放 138.6 GB / 165.3 GB 骨干 + 110.6 GB 的 IQ4_NL Engram 肯定装不下；
  2. 速度账（更关键！）：我们前面之所以能飙到 47~52 tok/s，是因为 Engram 被置零成了稀疏空洞文件，内核根本不读硬盘（0 磁盘 I/O）。虽然 ISTA-DASLab 官方文档说 Engram 每蹦一个词只按行读几 KB、用 mmap 挂在 SSD 上就能跑，但如果 110.6 GB 的 Engram 进不了内存缓存（Page Cache），每生成一个 Token 都要去本地 NVMe 盘做跨百 GB 的随机读取，生成速度还是会明显往下掉！
    把「硬盘空间」和「内存缓存（不掉速）」这两笔账合在一起算，在单卡 G4 上加 Engram 有 3 个方案（前两个能保住高速，第三个会掉速）：

方案一（最推荐 · 写代码首选 · 满速不掉速）：换用 ISTA-DASLab 的 GSQ-RCO-Coder（72.1 GB 骨干 + 110.6 GB 完整 Engram = 182.7 GB）

  • 为什么它最快且不掉速？ ISTA-DASLab 同步开源了一个专门针对写代码、画前端 SVG 和跑 Agent 校准剪枝的 DeepSeek-V4.1-Flash-1017-GSQ-RCO-Coder-GGUF（把每层 384 个专家裁剪保留最核心的 192 个代码专家，LiveCodeBench v6 代码跑分保留率高达 98.7%），它的骨干网只有 72.12 GB。

  • 算一笔账你就明白它有多绝：

  • 硬盘刚好装下：72.12 GB 骨干 + 110.60 GB 完整 IQ4_NL Engram = 182.72 GB，直接一把塞进 G4 的 205 GB 本地 NVMe 盘；

  • 骨干全进显存，Engram 全进内存（真正 0 读盘！）：72.1 GB 的骨干网能 100% 全部钉死在 G4 的 96GB 显存里（连 CPU 内存专家都不用跑），而完全空出来的 188 GB DDR5 主机内存刚好可以把 110.6 GB 的完整 Engram 全部缓存进内存（vmtouch -t 预热）！这样既有了满血的 Engram 拼写记忆，又做到了 100% 零磁盘读取，速度甚至比置零跑 165GB 骨干还要快。
    方案二（兼顾 552B 全专家通用能力 + 尽量不掉速）：Abiray 138.6 GB 骨干 + 单分片量化瘦身版 Engram（约 50~55 GB）

  • 核心思路：如果你舍不得剪掉一半专家（想要通用百科能力），社区默认给的 Engram 之所以有 110.6 GB，是因为它固定用了 4.50 bpw 的 IQ4_NL 精度。

  • 算账与做法：用 llama-quantize 把第 6 个 Engram 分片单独压到 2-bit（Q2_K 或 IQ2_XXS，体积直接砍半到 50~55 GB）。这样：

  • 硬盘装得下：138.6 GB 骨干 + 50 GB 瘦身版 Engram ≈ 189 GB，直接放进 205 GB 本地 NVMe 盘；

  • 内存也装得下（不掉速）：138.6 GB 骨干里 87 GiB 进显存、只占 44 GiB 锁页内存，G4 剩下的 130+ GiB 空闲 DDR5 内存同样能把这 50 GB 的瘦身版 Engram 全部缓存进内存里，查表不用读硬盘，既治好了「提笔忘字」，又保住了 45+ tok/s 的高速。
    方案三（强行塞满血 552B 骨干 + 110.6GB 原版 Engram · ⚠️ 会掉速）：「本地 NVMe + /dev/shm 内存盘」混放

  • 做法与代价：把 110.6 GB 原版 Engram 和前 2 个骨干分片放本地 NVMe 盘，再把 /dev/shm 内存盘扩容后放剩下的 60~65 GB 骨干分片。

  • 为什么不作为首选？ 因为 /dev/shm 本质上是切走了 60 多 GB 的物理 DDR5 内存，再加上引擎自己的锁页内存池（44~76 GiB），G4 的 188 GB 内存会被直接吃满，导致 110.6 GB 的 Engram 完全没法缓存在内存里，每蹦一个字都得实打实去本地 NVMe 盘上做随机读取，生成速度会明显下降（只适合对速度不敏感、非要跑双满血的场景）。

五、本期实测版本怎么选？4 条命令一键开跑（附下期预告）

先总结一下本期我已经实测跑通、并打包进一键脚本的这两个 552B 全专家 2-bit 版本怎么选：

  • 如果你更看重 官方跑分、长文本深度推理和工程严谨度，选 Unsloth Dynamic V3.1 UD-IQ2_XXS（165.3 GB 骨干，把 G4 的 96 GB 显存和 76 GB 锁页内存刚好榨干，做逻辑分析、数学推导、架构设计非常稳）；
  • 如果你想 留出充足内存余量、或者想要无审查（Uncensored）的丝滑对话体验，选 Abiray GSQ-RCO IQ2_XXS（138.6 GB 骨干，只占 44 GiB 锁页内存，速度最快可达 52 tok/s）。
    说句实话，在目前「Engram 置零」的跑法下，这两个版本用来日常问答、做方案、推逻辑已经非常爽了；如果拿来一次性直出几百行前端代码，脑子和审美完全在线，只需配合编辑器顺手修掉三四个拼写小笔误就能完美运行。

我已经把这两个实测版本的开机预热、双模型网关和热切换全部打包进了 fast_start_g4.sh，现在就能直接用这 4 条命令开跑：

🎬 下期预告：实测「72.1GB 全显存骨干 + 110.6GB 满血 Engram 进内存」到底有多猛？

这次折腾最大的意外收获，就是顺着那只「五官乱飞的骑车鹈鹕」扒出了 196B Engram 记忆表的真实作用。既然第四章我们已经把账算明白了——用 ISTA-DASLab 的 GSQ-RCO-Coder（72.12 GB 骨干 100% 进 96GB 显存）搭配完整 110.60 GB Engram（100% 塞进 188GB DDR5 内存缓存），理论上不仅能彻底根治代码拼写笔误，而且因为骨干网完全不需要跑 CPU 内存专家，生成速度很可能还会再上一个台阶！

由于这一期光把 275GB 分片拆解、双模型网关和鹈鹕破案测完就已经肝满篇幅了，第四章推演出来的这套 「方案一（72.1GB Coder 全显存 + 110.6GB 满血 Engram 全内存）」 和 「方案二（Abiray + 2-bit 瘦身版 Engram）」 我还没来得及上机实测。

下一期，我们就把这套满血 Engram 方案拉上单卡 G4 实测跑一轮：

  1. 挂上真 Engram 之后，再画同一只骑车鹈鹕，看看能不能做到 0 错别字、一把直出完美动画？
  2. 当 72.1 GB 骨干 100% 跑在 G4 显存里、110.6 GB Engram 100% 缓存在 DDR5 内存中时，实际生成速度能不能突破 60～80+ tok/s？
  3. 实测验证完后，我也会把满血 Engram 模式同步更新进 colab-ultra-workstation 的一键脚本里，敬请期待！

🥚 写在最后：欢迎来「赛博领鸡蛋」社群一起玩！

从第一篇挂载 20TB 云盘，到第二篇跑 33B 视频生成，再到这次用单张 96GB G4 把 748B 的 DeepSeek-V4.1 变成随叫随到的私人 API，其实最大的感受就是：只要摸清规则，手里的 Google AI Ultra 算力真的能玩出花来。

刚建了个群，叫「赛博领鸡蛋」 找些同样爱折腾 AI 的朋友，一起聊工具玩法、订阅优惠，也互相交流实测经验和踩过的坑。

群刚起步，欢迎来做第一批群友。扫下方二维码，一起折腾，少花点冤枉钱👇

觉得这篇折腾记录对你有启发的话，欢迎点赞、转发、收藏支持一下！🚀

🔗 附录：相关模型与开源工具仓库

来源：@Delroy715 · 发布于 2026-11-05 13:38:03 · 原文链接