Un NAS domestique peut exécuter certaines charges de travail d’IA locale sans GPU dédié, mais la question utile n’est pas simplement de savoir si le modèle démarre. La vraie question est de savoir si la charge de travail est adaptée à votre CPU, à la RAM disponible, à la taille du modèle, aux tâches de stockage et à votre tolérance au temps de réponse.
Pour de nombreux particuliers, un NAS sans GPU est un choix raisonnable pour expérimenter avec de petits modèles, les représentations vectorielles, la recherche locale et des flux de travail privés de type RAG. Il devient moins pratique dès que la tâche nécessite une conversation en temps réel avec des modèles plus volumineux, une génération d’images intensive, un raisonnement avec un contexte long ou l’exécution de tâches d’IA en arrière-plan en même temps que des sauvegardes, l’indexation de médias ou des transferts de fichiers.
En bref : l’absence de GPU dédié ne signifie pas l’absence de limites
Oui, vous pouvez exécuter une IA locale sur un NAS domestique sans GPU dédié, surtout si vous utilisez de petits modèles ou des modèles quantifiés et que vous considérez le NAS comme un appareil d’IA locale à faible consommation plutôt que comme une station de travail haute performance. Une configuration reposant uniquement sur le CPU peut être utile pour les expérimentations, les conversations légères, la recherche locale dans des documents, les représentations vectorielles et l’indexation en arrière-plan.
La limite, c’est l’ergonomie. Un modèle qui se charge techniquement peut tout de même répondre trop lentement, consommer trop de mémoire ou ralentir le NAS pendant qu’il sert des fichiers, exécute des conteneurs, gère des sauvegardes ou diffuse des médias.
L’idée fausse à éviter est simple : l’absence de GPU dédié ne signifie pas l’absence de limites matérielles. Sans accélération GPU, votre NAS dépend fortement des threads du CPU, de la mémoire système, de la vitesse de stockage et de la planification des charges de travail.
Ce que l’IA locale peut réellement faire sur un NAS domestique
Un NAS domestique sans GPU dédié convient généralement mieux aux tâches d’IA légères ou exécutées en arrière-plan qu’à la génération interactive à grande vitesse. Pour commencer, privilégiez des charges de travail assez modestes pour tenir confortablement en mémoire et qui tolèrent des temps de réponse plus longs. Il peut s’agir de recherche locale, de représentations vectorielles, de petits modèles de conversation, d’indexation de documents, de résumés simples et d’expérimentations avec une base de connaissances privée.
Ollama en est un exemple concret, car sa documentation présente une méthode Docker avec CPU seul ainsi que des options distinctes liées au GPU. Cela ne signifie pas que l’inférence sur CPU sera rapide sur tous les NAS. Cela signifie simplement que l’hébergement local de modèles avec CPU seul constitue un point de départ valable lorsque le modèle et les attentes sont suffisamment modestes.
Cette distinction est importante, car l’« IA locale » recouvre des charges de travail très différentes. Poser de courtes questions à un modèle de 1B à 3B n’a rien à voir avec l’exécution d’un modèle de 70B, la génération d’images, la transcription d’une grande archive ou la création d’un index sémantique à partir de plusieurs années de photos et de vidéos.
Les véritables goulots d’étranglement : CPU, RAM, taille du modèle et tâches en arrière-plan du NAS
Inférence sur CPU
L’inférence sur CPU est la solution la plus simple pour un NAS sans GPU dédié. Elle peut fonctionner, mais elle est généralement plus lente que l’IA dans le cloud ou qu’un GPU de bureau. Le CPU doit gérer la génération de jetons tandis que le NAS peut aussi s’occuper des partages de fichiers, des applications Docker, de l’analyse des médias et des services système.
Un CPU moderne prenant mieux en charge les instructions peut rendre les petits modèles plus agréables à utiliser, mais cela ne change pas le compromis fondamental. Plus vous cumulez d’utilisateurs actifs, de conteneurs, d’opérations sur les fichiers et de requêtes d’IA, plus le NAS risque de devenir un goulot d’étranglement.
Mémoire système
Sans VRAM, l’IA locale dépend fortement de la RAM système. Le modèle, l’environnement d’exécution, l’interface web, les embeddings, les services de fichiers, les conteneurs Docker et le système d’exploitation se disputent tous la même mémoire. Si le modèle pousse le système à utiliser intensivement la mémoire d’échange, l’expérience peut vite se dégrader.
C’est pourquoi la mémoire libre compte davantage que la mémoire totale installée sur le papier. Un NAS doté de 16 Go de RAM peut tout de même manquer de mémoire si plusieurs conteneurs Docker, outils multimédias, tâches de synchronisation et services de fichiers sont déjà actifs. Avant de charger un modèle, vérifiez la quantité de RAM disponible en utilisation normale du NAS, et pas seulement après un redémarrage.
Taille et quantification des modèles
La taille du modèle est souvent le facteur décisif. Les modèles plus petits se chargent plus vite, utilisent moins de mémoire et sont plus adaptés aux expériences reposant uniquement sur le CPU. Les modèles plus grands peuvent techniquement démarrer, mais deviennent frustrants si chaque réponse prend trop de temps.
C’est là que la quantification des entiers entre en jeu. llama.cpp décrit des niveaux de quantification qui réduisent l’utilisation de la mémoire et peuvent accélérer l’inférence, d’où le recours fréquent à des modèles GGUF quantifiés dans les configurations d’IA locale adaptées aux CPU. La leçon à retenir n’est pas « utilisez le plus grand modèle que vous pouvez charger », mais « utilisez le plus petit modèle adapté à la tâche ».
Quelles charges d’IA conviennent le mieux à un NAS sans GPU
Chat léger et petits modèles
Les petits modèles de chat sont le moyen le plus simple de vérifier si votre NAS peut gérer l’IA locale. Ils sont utiles pour les requêtes courtes, la rédaction simple, les explications de commandes, l’aide basique au codage ou l’expérimentation locale. L’objectif n’est pas d’égaler un modèle cloud haut de gamme, mais de vérifier si le NAS peut fournir une réponse à une vitesse acceptable pour vous.
Commencez par un modèle plus petit avant d’en augmenter la taille. Si le premier test ralentit déjà le NAS, un modèle plus grand ne résoudra pas le problème. Si le modèle plus petit vous semble acceptable, vous pouvez alors tester des modèles légèrement plus grands ou mieux quantifiés, tout en surveillant la charge du CPU, la pression sur la mémoire et le temps de réponse.
Embeddings, indexation et RAG privé
Les embeddings et le RAG privé peuvent mieux convenir à un NAS, car cette charge s’exécute souvent facilement en arrière-plan. Le NAS stocke déjà des documents, des notes, des photos, des médias et des archives ; l’indexation locale est donc logique lorsque la confidentialité et le stockage local des fichiers comptent. Cette tâche nécessite tout de même des ressources, mais n’exige pas toujours une génération de tokens en direct à la vitesse d’un chat.
Le principal risque est la planification. Si l’indexation démarre pendant que des sauvegardes, des analyses de médias ou des transferts de fichiers sont en cours, le NAS peut sembler lent, même si la tâche d’IA fonctionne techniquement. Pour ce type de charge, il vaut souvent mieux lancer l’indexation pendant les heures creuses et vérifier dans quelle mesure elle affecte l’accès normal aux fichiers.
Recherche par IA dans les fichiers et médias locaux
La recherche par IA fait partie des usages les plus naturels d’un NAS, car elle associe stockage local et compréhension locale. Au lieu de considérer le NAS comme une station de travail d’IA polyvalente, la couche d’IA aide à classer, rechercher ou retrouver des fichiers déjà stockés sur l’appareil.
Il faut aussi clarifier les attentes à ce stade. La recherche par IA peut impliquer le téléchargement de modèles, l’extraction de caractéristiques, le traitement en arrière-plan et des pics périodiques d’utilisation des ressources. Cela ne revient généralement pas à demander à un chatbot de répondre instantanément à partir d’un grand modèle.
Ce qu’il faut éviter sur un NAS équipé uniquement d’un processeur
Un NAS fonctionnant uniquement sur processeur convient généralement mal à la génération d’images intensive, aux conversations en direct avec de grands modèles, au raisonnement sur de longs contextes et à plusieurs utilisateurs d’IA simultanés. Ces charges de travail peuvent consommer trop de mémoire, saturer les threads du processeur et perturber la fonction première du NAS.
Évitez également d’exécuter des tâches d’IA expérimentales pendant les opérations critiques de stockage. Si le NAS reconstruit le stockage, synchronise des sauvegardes dans le cloud, indexe des fichiers multimédias, diffuse des vidéos ou gère d’importants transferts de fichiers, ajouter de l’inférence intensive peut compliquer le dépannage. Une configuration d’IA locale sûre doit rester facultative et pouvoir être arrêtée, sans mettre en péril les tâches essentielles de stockage.
Évitez ces pratiques lors des premiers tests :
- Commencer avec un grand modèle simplement parce qu’il est populaire.
- Exécuter plusieurs conteneurs d’IA avant d’avoir testé une configuration stable.
- Exposer une interface Web au réseau avant d’avoir vérifié l’authentification et la portée des accès.
- Laisser l’indexation par IA s’exécuter en même temps que les sauvegardes ou l’analyse des fichiers multimédias.
- Supposer qu’une installation réussie signifie que la configuration est utilisable au quotidien.
Un tableau décisionnel pratique avant toute installation
Avant d’installer une pile d’IA locale, décidez du rôle que doit jouer le NAS. Une charge de travail inadaptée peut rendre un bon NAS peu performant, tandis qu’une charge de travail bien choisie peut rendre un appareil modeste utile pour des expérimentations d’IA privées.
| Configuration ou charge de travail | À utiliser lorsque | À éviter lorsque | Ce qui se passe généralement |
|---|---|---|---|
| Petit modèle de conversation local sur le processeur du NAS | Vous voulez expérimenter avec des requêtes courtes et un usage privé modéré | Vous vous attendez à une vitesse comparable au cloud ou à la qualité d’un grand modèle | Ça fonctionne, mais la vitesse de réponse dépend fortement du processeur et de la taille du modèle |
| Indexation par embeddings ou RAG privé | Vos fichiers sont déjà sur le NAS et le traitement en arrière-plan vous convient | Vous avez besoin d’une indexation instantanée d’une grande bibliothèque pendant les heures de pointe | Utile pour la recherche, mais doit être planifié et surveillé |
| Open WebUI sur le NAS, modèle ailleurs | Vous voulez que le NAS héberge l’interface tandis qu’une machine plus puissante exécute l’inférence | Vous voulez que tout soit regroupé dans un seul boîtier basse consommation | Souvent plus pratique, car le calcul est séparé des tâches de stockage |
| Accélération par iGPU ou GPU externe | Votre plateforme NAS prend en charge le chemin matériel et les pilotes | Vous ne voulez pas vous occuper des pilotes, du passthrough ou de la compatibilité | Peut améliorer la réactivité, mais ajoute de la complexité à la configuration |
| Génération d’images ou conversation en direct avec un grand modèle sur le processeur | Vous voulez seulement réaliser une preuve de concept et pouvez attendre | Vous avez besoin d’une utilisation fréquente, rapide ou fiable au quotidien | Généralement frustrant sur un NAS sans GPU dédié |
Utilisez le tableau comme filtre, et non comme une garantie. Si la charge de travail correspond aux colonnes de gauche, mais que le NAS reste lent, réduisez la taille du modèle ou déplacez les calculs ailleurs. Si elle correspond à la colonne « à éviter », mieux vaut faire un essai sur un ordinateur de bureau, un mini-PC, un eGPU ou un GPU distant avant d’accuser le NAS.
Configurations généralement plus efficaces
Tout exécuter sur le NAS
Exécuter le moteur de modèles et l’interface web sur le NAS est l’approche la plus simple à comprendre. La pile reste autonome et convient bien aux essais légers. C’est une solution raisonnable si le modèle est petit, le nombre d’utilisateurs limité et le NAS dispose d’une marge mémoire suffisante.
L’inconvénient est la concurrence pour les ressources. Si le moteur d’IA, l’interface, les services de fichiers, les sauvegardes et les outils multimédias partagent la même machine, le NAS ne dispose d’aucune réserve de calcul distincte. Lorsque les performances sont médiocres, la première solution consiste généralement non pas à utiliser une interface plus complexe, mais à choisir un modèle plus petit, à réduire le nombre de tâches simultanées ou à opter pour une autre voie de calcul.
Hébergez l’interface web sur le NAS et exécutez les modèles ailleurs
Une configuration à deux machines est souvent plus pratique. Le NAS héberge l’interface web et stocke les données, tandis qu’un ordinateur de bureau, un mini-PC ou une machine équipée d’un GPU exécute le moteur de modèles. Open WebUI prend en charge une configuration qui peut se connecter à Ollama sur un autre serveur, ce qui convient parfaitement à cette approche.
Cela peut vous offrir un flux de travail d’IA locale plus fluide sans obliger le processeur du NAS à effectuer toute l’inférence. Le NAS reste utile comme interface toujours active et couche de stockage, tandis que la génération plus exigeante est confiée à un matériel mieux adapté.
Utilisez l’accélération iGPU ou un GPU externe si disponible
Certaines plateformes NAS intègrent un GPU ou prennent en charge l’accélération externe. Cela peut améliorer l’utilisation de l’IA locale, mais ce n’est pas automatique. La prise en charge des pilotes, l’accès aux conteneurs, la compatibilité du moteur, le partage de la mémoire et les exigences du modèle sont autant de facteurs importants.
Si l’accélération iGPU est disponible, testez-la comme une voie de calcul distincte au lieu de supposer qu’elle se comportera comme un GPU dédié. Surveillez les mêmes indicateurs : vitesse de réponse, charge du processeur, pression sur la mémoire, temps de chargement du modèle et stabilité des tâches habituelles du NAS.
Comment tester les performances sans perturber votre NAS
Un bon test doit prouver davantage que « le conteneur a démarré ». Vous devez savoir si le NAS reste utilisable pendant que le modèle est chargé et répond. Utilisez un petit modèle, une interface et une invite reproductible avant d’ajouter d’autres outils.
Commencez par suivre cet ordre de test :
- Vérifiez le fonctionnement normal du NAS avant de démarrer l’IA : navigation dans les fichiers, tableau de bord Docker, bibliothèque multimédia et état des sauvegardes.
- Démarrez le moteur d’IA et chargez un petit modèle ou un modèle quantifié.
- Posez trois fois la même question courte et notez si les réponses sont suffisamment rapides et utiles.
- Surveillez la charge du processeur, l’utilisation de la RAM, le comportement du swap et les journaux des conteneurs.
- Ouvrez des fichiers ou parcourez un dossier partagé pendant que le modèle génère une réponse.
- Arrêtez le conteneur d’IA et vérifiez que le NAS revient rapidement à la normale.
- Ne testez un modèle légèrement plus grand que si le premier test est concluant.
Pour des tests plus formels, llama.cpp propose un benchmark des jetons par seconde via llama-bench. Il n’est pas nécessaire de transformer chaque test sur un NAS domestique en rapport de laboratoire, mais il faut mesurer suffisamment pour éviter les suppositions. Si le système semble lent, la question utile est de savoir si le goulot d’étranglement vient de la taille du modèle, des threads du processeur, de la pression sur la mémoire, de la charge de stockage ou d’une autre tâche du NAS exécutée en même temps.
Pour un dernier contrôle, cinq questions doivent trouver réponse :
- La vitesse de réponse est-elle acceptable pour la tâche ?
- La RAM reste-t-elle stable sans recours intensif au swap ?
- Les fichiers, les sauvegardes et les services multimédias peuvent-ils continuer à fonctionner normalement ?
- La charge de travail de l’IA peut-elle être arrêtée ou planifiée ?
- L’interface web est-elle réservée aux utilisateurs et réseaux de confiance ?
Si la réponse à l’une de ces questions est non, la configuration doit être allégée, davantage isolée ou déportée.
Les erreurs qui dégradent inutilement l’expérience de l’IA locale
Erreur 1 : commencer avec un modèle trop volumineux
Erreur : L’utilisateur commence par un modèle populaire de 7B, 13B ou plus, parce qu’il semble plus performant.
Pourquoi cela se produit : Les recommandations de modèles sont souvent destinées aux PC de jeu, aux stations de travail avec GPU ou aux serveurs cloud, et pas toujours aux processeurs NAS à faible consommation. Un modèle qui semble raisonnable dans un benchmark peut se comporter très différemment sur une machine qui sert aussi des fichiers.
Pourquoi c’est risqué : Le NAS risque de passer trop de temps à charger le modèle, à utiliser le swap ou à générer les réponses lentement. La première expérience d’IA locale peut alors sembler défaillante, même si le logiciel est correctement installé.
Alternative plus sûre : Commencez par un modèle quantifié plus petit et testez sa vitesse de réponse réelle avant de passer à une taille supérieure.
Validation : Si le petit modèle répond sans difficulté et que le NAS reste réactif, testez la taille supérieure. Si le NAS ralentit immédiatement, le modèle est déjà trop volumineux pour cette configuration.
Erreur 2 : considérer les besoins en RAM comme facultatifs
Erreur : L’utilisateur vérifie le modèle de processeur, mais ignore la quantité de mémoire libre restante pendant l’utilisation normale du NAS.
Pourquoi cela se produit : De nombreux guides de configuration d’IA parlent de la taille du modèle, mais ne tiennent pas compte des applications Docker, des services de fichiers, des outils multimédias et du système d’exploitation qui partagent la même RAM.
Pourquoi c’est risqué : Une pression sur la mémoire peut entraîner des ralentissements, des échecs de chargement du modèle, une instabilité des conteneurs ou un recours intensif au swap. Sur un serveur de stockage, les conséquences peuvent dépasser la simple application d’IA.
Alternative plus sûre : Vérifiez la RAM disponible avant et pendant l’inférence, et gardez une marge pour les services NAS habituels.
Validation : Exécutez le modèle tout en parcourant les fichiers et surveillez l’utilisation de la mémoire. Si le système se met à recourir fortement à la mémoire virtuelle ou si les autres services ralentissent, réduisez la taille du modèle ou déplacez les calculs ailleurs.
Erreur 3 : exécuter des tâches d’IA gourmandes pendant les sauvegardes ou le traitement des médias
Erreur : L’indexation par IA, l’inférence de chat, l’analyse des médias et les tâches de sauvegarde s’exécutent toutes en même temps.
Pourquoi cela arrive : Les utilisateurs de NAS considèrent souvent que les tâches en arrière-plan sont invisibles, jusqu’à ce que les performances baissent. Les charges de travail liées à l’IA rendent cette hypothèse plus risquée, car elles peuvent entraîner des pics d’utilisation du processeur, de la mémoire vive, du disque ou du réseau.
Pourquoi c’est risqué : Le NAS risque de ralentir précisément pendant les tâches qu’il est censé gérer de manière fiable. Si le dépannage commence pendant une sauvegarde, il devient plus difficile de déterminer si le problème vient du modèle d’IA, du conteneur, du pool de stockage ou de la tâche de sauvegarde.
Option plus sûre : Planifiez les tâches d’IA gourmandes pendant les heures creuses et évitez les expérimentations pendant les opérations critiques de stockage.
Validation : Exécutez la même tâche d’IA pendant une période calme, puis à nouveau lorsque les services habituels sont actifs. Si la seconde exécution perturbe les sauvegardes, les médias ou l’accès aux fichiers, la charge de travail doit être limitée ou planifiée.
Erreur 4 : confondre « ça fonctionne » et « c’est utilisable »
Erreur : L’utilisateur considère qu’un conteneur qui démarre correctement ou qu’une première réponse du modèle prouve que le NAS est prêt pour un usage quotidien de l’IA locale.
Pourquoi cela arrive : Les guides d’installation s’arrêtent souvent à la première réponse réussie. L’utilisation réelle est différente : les invites s’allongent, les fichiers sont indexés, plusieurs utilisateurs se connectent et des tâches en arrière-plan se chevauchent.
Pourquoi c’est risqué : Une configuration qui fonctionne lors d’un court test peut échouer lors d’une véritable recherche de documents, de l’indexation des photos de famille ou d’une longue session de chat.
Option plus sûre : Testez une session réaliste avant de laisser la charge de travail activée.
Validation : Effectuez les mêmes tâches sur le NAS que d’habitude, puis testez la vitesse de réponse de l’IA, la navigation dans les fichiers, la charge système et la procédure d’arrêt. Si le NAS reste stable, la charge de travail lui convient mieux.
Application de ces principes à un vrai flux de travail de recherche par IA sur NAS
L’IA locale sur un NAS est souvent particulièrement utile lorsqu’elle permet d’exploiter les fichiers qui y sont déjà stockés. La recherche par IA en est un bon exemple : elle peut transformer des médias et des documents en une bibliothèque consultable, mais elle montre aussi pourquoi l’IA locale nécessite une planification des ressources. L’extraction de caractéristiques, le téléchargement des modèles, l’analyse des médias et l’indexation de la recherche sont des tâches en arrière-plan, pas de simples fenêtres de chat.
La même règle s’applique dans un environnement ZimaOS. Le module de recherche IA de ZimaOS est conçu pour prendre en charge la recherche en utilisant l’IA locale afin d’extraire des caractéristiques des images, des fichiers audio et des vidéos. La documentation répertorie également les voies matérielles, les besoins en mémoire, le stockage des modèles, les dépendances de téléchargement, l’utilisation des ressources et les conseils de dépannage. C’est donc un exemple concret du point principal de l’article : la recherche par IA locale peut fonctionner sur un NAS, mais elle nécessite tout de même une configuration matérielle et un budget de ressources bien définis.
Sur un NAS domestique axé sur le stockage, tel que ZimaCube 2, NAS IA, ce type de processus est pertinent lorsque l’utilisateur souhaite effectuer des recherches privées dans ses fichiers locaux plutôt qu’utiliser une indexation dans le cloud. L’appareil offre un espace local pour les données, mais les mêmes points restent à vérifier : taille du modèle, mémoire disponible, capacité de calcul, calendrier d’indexation et possibilité de suspendre ou de limiter les tâches d’IA lorsque les services NAS habituels sont prioritaires.
FAQ
Un NAS domestique peut-il exécuter une IA en local sans GPU dédié ?
Oui, un NAS domestique peut exécuter certaines charges de travail d’IA en local sans GPU dédié. Les mieux adaptées sont généralement les petits modèles ou les modèles quantifiés, les embeddings, le RAG privé, la recherche locale ou les expérimentations légères. Cette solution devient moins pratique si l’utilisateur s’attend à des conversations rapides avec de grands modèles, à la génération d’images ou à la prise en charge de plusieurs utilisateurs simultanés.
De combien de RAM ai-je besoin pour faire fonctionner une IA en local sur un NAS ?
Cela dépend du modèle, de l’environnement d’exécution, du système d’exploitation et des autres services du NAS. Pour évaluer la situation avec prudence, vérifiez la mémoire libre lors d’une utilisation normale du NAS, puis testez un petit modèle et surveillez la stabilité de la mémoire. Si le système utilise intensivement le swap ou si les services de fichiers ralentissent, la charge de travail dépasse les ressources disponibles.
L’IA utilisant uniquement le processeur est-elle assez performante pour discuter ?
L’IA utilisant uniquement le processeur peut suffire pour les requêtes courtes et les petits modèles, mais les conversations interactives quotidiennes peuvent sembler lentes. Si les réponses prennent trop de temps, optez pour un modèle plus petit, une quantification plus poussée, un parcours iGPU si celui-ci est pris en charge, ou une configuration à deux machines où l’autre machine exécute le modèle.
Dois-je exécuter Ollama directement sur le NAS ou sur une autre machine ?
Exécutez Ollama directement sur le NAS si vous souhaitez réaliser un test simple et autonome avec un petit modèle. Exécutez le modèle sur une autre machine du réseau local si vous souhaitez de meilleures performances tout en utilisant le NAS comme interface Web, espace de stockage ou couche de données privées. C’est souvent la meilleure approche lorsque le NAS doit rester fiable pour les tâches de gestion des fichiers et des sauvegardes.
Quelle est la meilleure première charge de travail d’IA à tester sur un NAS ?
Commencez avec un petit modèle ou un processus de recherche léger. Évitez de commencer par la génération d’images, les grands modèles de chat en temps réel ou l’indexation de toute la bibliothèque pendant les heures de pointe. Le premier test doit montrer que le NAS peut exécuter la charge de travail sans nuire à l’accès aux fichiers, aux sauvegardes, aux services multimédias ou aux autres conteneurs.
Un NAS sans GPU peut constituer un point de départ utile pour l’IA en local, mais il faut considérer cette question sous l’angle de l’adéquation à la charge de travail plutôt que d’y répondre par oui ou par non. Adaptez la tâche au matériel, testez la vitesse de réponse dans des conditions réelles d’utilisation du NAS et faites passer la fiabilité du stockage avant l’expérimentation en IA.
Assistance et conseils
À lire aussi

How to Keep Adult Videos on Your NAS Hidden from Family Members
Keep adult videos private on a family NAS. Check folder permissions, Plex and Jellyfin library access, thumbnails, watch history, shared TV logins and DLNA.

Ce qu’il faut vérifier avant de charger un modèle communautaire dans Transformers
Utilisez la mise à jour du bac à sable Jinja de Transformers pour examiner la provenance des modèles, les modèles de conversation, le code...

Exécutez Mirage localement : OCR et détection d’objets à partir d’une seule image
Essayez le petit modèle de vision local de Cactus Compute, testez la reconnaissance optique de caractères et l’extraction d’objets à partir de données réelles,...



