本报告评估了2B-3B参数规模的小型视觉语言模型(VLM)在工业场景下的零样本性能。测试显示，这类模型在语义类任务(跌倒检测准确率87.5%-100%，工位在岗检测83.3%-100%)表现良好，但在强数值约束任务(工业仪表读数)上不可用。模型呈现保守倾向，抽烟检测漏检率较高(77.8%-88.9%准确率)。报告建议在端侧算力允许范围内优先提升模型参数规模(≥7B级)进行复测，而非采用传统微调路线

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

本报告记录了 OpenClaw 平台在全志科技(Allwinner Technology)基于 ARM 架构的芯片平台上的完整部署和功能测试过程。测试硬件为 Radxa Cubie A7A 开发板,搭载全志 sun60iw2 芯片,运行 Debian GNU/Linux 11 (bullseye) 系统。

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

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： 在RK3588平台上对5种语音识别模型进行测试评估，结果显示zipformer_rknn综合表现最优。该模型文件仅121.8MB，平均识别耗时1.2秒/条，词/字错误率最低（10.93%/4.12%），且支持中英文自动切换。相比其他模型（如whisper系列），zipformer_rknn在精度、速度、体积和多语言支持方面均具优势，特别适合边缘计算场景部署。测试基于2620条LibriSp

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

摘要： 在RK3588平台上对5种语音识别模型进行测试评估，结果显示zipformer_rknn综合表现最优。该模型文件仅121.8MB，平均识别耗时1.2秒/条，词/字错误率最低（10.93%/4.12%），且支持中英文自动切换。相比其他模型（如whisper系列），zipformer_rknn在精度、速度、体积和多语言支持方面均具优势，特别适合边缘计算场景部署。测试基于2620条LibriSp