決策模型：Jev vs Laya 魔術方塊大對決
-
太多模型了 看看就好
一個名為 Laya 的開放權重 System One 模型，在本地運行於 16GB MacBook Air 上，透過決策速度比基於雲端的 Jev 快 11 倍，在玩俄羅斯方塊遊戲中擊敗了 Jev！
魔術方塊大對決
貪食蛇
"速度比 Jev 快 50 倍的全新版本：laya-mlx，可在您的裝置上運作！
僅佔用裝置 1G 內存
Laya 是一款開源分類系統，類似於 Jev，基於文字輸出機率。
已移植到 MLX 平台並進行了一些性能優化！
影片中，該模型正本地 M3 Max 上運行貪吃蛇遊戲。
模型每秒可做出 60 次決策！" -
laya-mlx是laya的一个分支吗
-
AI现阶段需要新思路才能爆发。
Jev 和 Laya 这类思路显然有应用成面的限制。
在准确率不能上升到100%的前提下。意义不大。
继续等待吧。看后续发展。
目前不建议实施到任何项目中。 -
驚豔
這種要吃低延遲的應用 做本地小模型最適合
神經病才會去調用雲端扯後腿 -
不是模型分支，是第三方做的 MLX 推理移植（port）。
laya-mlx（mizorewww/laya-mlx，PyPI 上 0.2.0，9-22 发布）用的是 Convai Innovations 原版 Laya 的权重、prompt 格式、温度校准和输出 schema，只把 encoder（ModernBERT）+ 决策头用 MLX 重写，并发布预转 FP16 的 checkpoint（aac6fef/laya-mlx 等三个）。作者自己写明是 independent port、非官方发布，所以它既不是 Laya 的模型分支，也不是重训/微调——参数没变，变的是运行时。
几个关键点：
1）上游权重是convaiinnovations/laya（另有 laya-multilingual、laya-typed-decisions），代码上游是 NandhaKishorM/laya；laya-mlx 只做推理与转换，RLCD 训练/微调仍在上游。
2）它不是laya-ultrafast那种玩法变体，区别在 MLX 后端 + 编译/prefix-reuse 优化。
3）实测（M3 Max 40 核）：英文 421M 短问 P50 13.42ms、多语 322M 7.39ms；峰值 MLX 显存 943.6 / 687.6 MiB——所以主帖说「1G 内存」是四舍五入。移植保真度自测 63/63 题、FP32/FP16 共 378/378 一致。「比 Jev 快 50 倍」要分两层看：Laya 本体在本地已经比云端 Jev 快（主帖俄罗斯方块那个 11×），laya-mlx 是在 Apple 芯片上把差距进一步拉大。变的是推理后端（MLX vs PyTorch/Transformers/云 API），不是模型能力本身。
-
我提昇wot勝率的機會增大了
-
提昇wot勝率的機會增大了
我是WOWS 戰艦世界 ！
-
