HUSKYLENS 2 AI视觉传感器评估摘要 这款集成20余种AI模型的智能传感器在教育场景表现尚可，但存在明显局限性。评估发现二维码、条形码和车牌识别功能效果较差，识别成功率低且受环境光线影响大。200万像素固定焦距摄像头导致文字和小目标识别模糊，巡线算法依赖高对比度背景。部分功能如物体分类、实例分割和MCP服务在实测中无法使用或未开放。人脸和物体识别等基础功能虽能工作，但存在识别不稳定、追踪

摘要 本文系统调研了大语言模型（LLMs）的算法测试方案，涵盖英文和中文通用模型的评测框架。评测聚焦四大维度：能力评测、对话质量、安全真实性和速度吞吐。英文评测采用MMLU（多学科知识理解）、MMLU-Pro（高难度推理）、BIG-bench（综合认知能力）和TruthfulQA（真实性测试）等基准；中文评测则使用C-Eval（对标MMLU的中文综合测试）。这些测试通过标准化的few-shot设定

摘要：本次测试对比了瑞芯微RK3588与爱芯元智AX650N在YOLO系列模型上的性能表现。测试结果显示，AX650N在所有YOLO模型上均显著优于RK3588，尤其在YOLOv7+/YOLO11等新一代模型上优势更明显，最高达13.4倍性能差距。AX650N在轻量模型上可实现100+FPS，yolo11s接近300FPS，而RK3588仅在YOLOv5s上达到75FPS。AX650N更适合工业视

模型性能测试报告摘要 本次测试对比了RK3588（NPU）与全志A733（CPU）在大模型推理中的性能表现。测试涵盖输入/输出速度、准确率及硬件差异，使用25条文本问答和视觉数据集。 关键结果： RK3588 NPU：支持1B-7B模型，Qwen2-VL 2B模型输入/输出速度达43.48/15.82 tok/s，准确率85%；DeepSeek 7B模型准确率96%，但输出速度降至4.14 tok

摘要： 本文探讨了在AMD ROCm环境下部署Qwen3-30B-A3B代码助手的方案，采用Docker和vLLM框架实现私有化高效推理。该模型开源可定制，支持复杂代码生成，但工程级修复能力弱于顶尖闭源模型（如GPT-5），且需较高GPU资源（81GB显存）。相比闭源方案，其优势在于数据安全与灵活部署，适合企业定制需求，但需结合Agent框架提升工程闭环能力。商业上，该方案契合企业私有化趋势，但面

摘要： 本文探讨了在AMD ROCm环境下部署Qwen3-30B-A3B代码助手的方案，采用Docker和vLLM框架实现私有化高效推理。该模型开源可定制，支持复杂代码生成，但工程级修复能力弱于顶尖闭源模型（如GPT-5），且需较高GPU资源（81GB显存）。相比闭源方案，其优势在于数据安全与灵活部署，适合企业定制需求，但需结合Agent框架提升工程闭环能力。商业上，该方案契合企业私有化趋势，但面

TARS多模态AI代理项目包含Agent TARS通用代理栈和UI-TARS桌面应用两大组件，具备自然语言控制、视觉识别和跨平台支持等核心功能。其视觉语言模型在多项基准测试中表现优异，但对硬件要求较高，需较强GPU支持。该项目在AI办公自动化、智能家居和工业控制领域具有广阔市场前景，技术成熟度较高，特别适合配备高性能硬件的边缘设备场景。若具备相应硬件条件，该项目具有较高可行性，值得推荐开发。

摘要： AutoGLM手机Agent场景经实测评估后，被判定不适合作为AI芯片应用适配方向。测试显示其存在算力利用率低、工程不可控（如锁屏/弹窗导致任务失败）、无法规模化复制（依赖真机集群和人工运维）以及缺乏生态战略价值（强依赖第三方平台）等结构性缺陷。这些瓶颈无法通过芯片优化解决，建议终止该方向的芯片级投入，仅保留为技术探索项目。（149字）

摘要：本报告对比了瑞芯微RK3588与爱芯元智AX650N芯片在运行Qwen系列大模型时的性能表现。测试显示，RK3588在较小模型(Qwen2.5-0.5B)上表现优异，输入/输出token分别达808.2/39.49每秒，但随着模型增大性能下降；AX650N整体性能较低，Qwen2.5-0.5B输入仅113.03token/秒。硬件对比表明RK3588适用于高性能计算场景，而AX650N更适合

摘要： 本文探讨了基于VLM（视觉语言模型）的智能监控方案相较于传统视觉算法的优势与局限。VLM通过多模态理解能力，可实现开放类别识别、语义场景分析、自然语言交互等复杂任务，显著提升了监控系统的智能化水平。然而，VLM存在实时性差（推理延迟1000–5000ms）、算力需求高（需GPU支持）等挑战。为此，建议采用“VLM+传统算法”混合架构，结合边缘计算与任务调度Agent，平衡性能与智能。典型应