Distribuire un LLM locale su un NAS domestico non รจ difficile perchรฉ il primo comando รจ complicato. ร difficile perchรฉ il modello, la cache, il container, il server API e i processi in background si contendono lo stesso spazio di archiviazione e le stesse risorse di sistema che il NAS giร usa per file, backup, contenuti multimediali, database e app.
Lโobiettivo piรน sicuro non รจ rendere lโLLM il piรน veloce possibile fin dal primo giorno. ร meglio assegnargli un percorso di archiviazione definito, limiti rigidi alle risorse, parallelismo limitato e una procedura di verifica. Di solito un modello locale leggermente piรน lento รจ preferibile a uno veloce che riempie lโunitร di sistema, causa pressione sulla memoria o rende inaffidabili le altre app self-hosted.
In breve: assegna allโLLM spazio e limiti dedicati
Un LLM locale dovrebbe avere uno spazio dedicato prima ancora di scaricare il primo modello. Ciรฒ significa che dovresti sapere dove si troveranno i file dei modelli, le cache, gli indici, i log e i dati delle app prima di avviare il download di un modello o collegare una WebUI. Se questi file finiscono in un percorso Docker nascosto o su unโunitร di avvio di piccole dimensioni, la distribuzione puรฒ sembrare riuscita mentre consuma silenziosamente lo spazio necessario al NAS stesso.
Servono anche dei limiti. I runtime LLM possono usare molta RAM, VRAM, thread della CPU e memoria di contesto, soprattutto quando sono abilitati piรน modelli o richieste parallele. La documentazione di Docker sui vincoli delle risorse spiega che, in caso contrario, i container possono usare le risorse dellโhost secondo quanto consentito dallo scheduler del kernel, e che la pressione sulla memoria puรฒ causare un esaurimento della memoria che influisce sugli altri processi.
Per un NAS condiviso, questo conta piรน dei punteggi massimi nei benchmark. Plex, Jellyfin, Home Assistant, database, processi di sincronizzazione, backup e condivisione di file non dovrebbero diventare instabili perchรฉ un server di modelli sta elaborando un prompt molto lungo. Una distribuzione sicura di un LLM locale inizia dalla mappatura dello spazio di archiviazione, dai limiti delle risorse, dalla scelta del modello e dalla verifica.
Cosa verificare prima di scaricare il primo modello
Prima di scaricare il primo modello, definisci il primo compito. Un LLM locale usato per semplici chat ha requisiti diversi rispetto a un assistente RAG, un sistema per gli embedding, un assistente alla programmazione o un agente di automazione in grado di leggere e scrivere file. Se non definisci prima il caso dโuso, รจ facile scaricare un modello troppo grande, troppo lento o troppo impegnativo per il server.
Inizia con questi controlli:
- Caso dโuso: chat, RAG, embedding, riepilogo, automazione, programmazione o assistenza per la ricerca.
- Dimensioni del modello: quanto รจ grande il file del modello e se manterrai piรน varianti.
- Quantizzazione: se il modello รจ compresso abbastanza per il server.
- Percorso di archiviazione: dove verranno conservati i file dei modelli e la cache sullโhost.
- Percorso nel container: come viene mappato il percorso sullโhost allโinterno del container.
- RAM e VRAM: quanta memoria rimane per le altre app.
- Margine della CPU: quanti thread puรฒ usare il modello senza sottrarre risorse al NAS.
- Parallelismo: quante richieste o quanti modelli caricati possono essere eseguiti contemporaneamente.
- Carichi di lavoro esistenti: backup, streaming multimediale, database, sincronizzazione e condivisione di file.
- Piano di verifica: come dimostrerai che il NAS รจ ancora in buone condizioni in seguito.
Questa verifica preliminare non รจ una formalitร inutile. Evita il problema piรน comune nella distribuzione di un LLM locale su un NAS: il modello risponde, ma il sistema che lo ospita diventa meno affidabile.
Tieni i file dei modelli lontani dallโunitร di sistema
I file dei modelli possono occupare piรน spazio del previsto. Un singolo modello puรฒ essere gestibile, ma diversi modelli, varianti di quantizzazione, embedding, indici, dati della WebUI e log possono rapidamente raggiungere decine o centinaia di gigabyte. Se questi file finiscono sullโunitร di sistema o nella directory root di Docker, il NAS puรฒ esaurire lo spazio critico anche quando il pool di archiviazione principale sembra ancora in buone condizioni.
Le FAQ di Ollama elencano le posizioni predefinite dei modelli per i diversi sistemi operativi e spiegano che la directory di archiviazione dei modelli puรฒ essere modificata con la variabile dโambiente OLLAMA_MODELS. Su un NAS o un server domestico, questo dettaglio รจ importante perchรฉ il percorso predefinito potrebbe non essere il posto in cui vuoi conservare a lungo i file dei modelli.
Se esegui Ollama o un altro runtime per modelli in Docker, ricorda che un percorso nel container non equivale a un percorso sullโhost. Una directory come /root/.ollama allโinterno del container deve essere mappata a una posizione precisa sullโhost, se vuoi avere unโarchiviazione prevedibile. Senza una mappatura del volume, i file dei modelli potrebbero restare nellโarchiviazione gestita da Docker, rendendo piรน difficile accorgersi della crescita e liberare spazio.
Un approccio piรน sicuro consiste nel creare una directory dedicata ai modelli prima della distribuzione, ad esempio una cartella per lโarchiviazione dellโIA su un pool dati o un volume di archiviazione delle app. Tienila separata dalle destinazioni dei backup, dai database critici e dai dati insostituibili delle app. La directory dei modelli dovrebbe essere abbastanza capiente, facile da controllare e documentata, cosรฌ potrai eliminare i vecchi modelli in seguito.
Decidi anche dove archiviare i file correlati. Gli indici RAG, gli embedding, i database vettoriali, i log e i documenti caricati possono diventare ulteriori elementi che occupano spazio di archiviazione. Se pianifichi solo lo spazio per il file del modello, il resto dello stack di IA puรฒ comunque riservarti delle sorprese.
Imposta limiti per memoria, CPU e parallelismo
Limiti di memoria
Gli LLM locali richiedono molta memoria. Ne servono per i pesi del modello, il contesto, il sovraccarico del runtime e, talvolta, piรน modelli caricati. Se il server esegue anche database, servizi multimediali, sincronizzazione di file, container e processi di backup, non si dovrebbe consentire allโLLM di consumare tutta la memoria disponibile.
Docker supporta i limiti di memoria dei container, che possono impedire a un container di monopolizzare lโhost. Su un NAS condiviso, non si tratta tanto di rendere il modello piรน veloce, quanto di proteggere il resto del sistema. Se il container dellโLLM raggiunge il proprio limite, di solito รจ preferibile a lasciare che lโintero server entri in una condizione di pressione sulla memoria.
Lascia margine per i servizi essenziali. Se il NAS ha 32 GB di RAM e le app normali ne usano da 8 GB a 12 GB nei periodi di maggiore attivitร , non assegnare il resto allโLLM. Lascia spazio per la cache del file system, i processi di backup, i database e i picchi temporanei. Un modello che funziona solo quando non รจ in esecuzione nientโaltro non รจ una scelta predefinita sicura per un server domestico condiviso.
Anche la VRAM conta quando si usa lโinferenza su GPU. Le FAQ di Ollama spiegano che lโinferenza su CPU usa la memoria di sistema, mentre quella su GPU usa la VRAM, e che il caricamento simultaneo dei modelli dipende dalla memoria o dalla VRAM disponibili. Ciรฒ significa che una GPU puรฒ essere di grande aiuto, ma non elimina la necessitร di pianificare lโuso della memoria.
Limiti della CPU
I limiti della CPU proteggono la reattivitร . Un LLM locale puรฒ usare molti thread durante lโelaborazione dei prompt o la generazione dei token. Se satura la CPU, la dashboard del NAS puรฒ rallentare, i flussi multimediali possono bloccarsi durante il buffering, le automazioni possono subire ritardi e i database possono rispondere lentamente.
Docker offre controlli della CPU come --cpus, --cpu-quota e --cpuset-cpus. Non servono sempre limiti rigidi, ma dovresti decidere quanta CPU puรฒ usare lโLLM durante il normale funzionamento del NAS. Un modello che impiega un poโ piรน di tempo a rispondere, ma lascia il server reattivo, di solito รจ piรน adatto di uno che occupa tutti i thread.
Lโinferenza basata solo sulla CPU รจ particolarmente sensibile ai limiti. Senza GPU o NPU, lโLLM compete direttamente con tutti gli altri servizi che utilizzano la CPU. Se il NAS gestisce giร la transcodifica dei contenuti multimediali, lโindicizzazione, la compressione, i backup o i database, lโLLM non dovrebbe funzionare senza restrizioni nelle ore di punta.
Numero di modelli e richieste parallele
Il parallelismo รจ facile da trascurare. Un singolo modello che risponde a un singolo prompt puรฒ funzionare bene. Piรน utenti, una WebUI, un flusso di lavoro automatizzato e uno strumento RAG possono generare rapidamente richieste sovrapposte. Ogni richiesta puรฒ aumentare la memoria di contesto e il carico della CPU.
Le FAQ di Ollama descrivono le richieste parallele e il comportamento dei modelli caricati, incluse impostazioni come OLLAMA_MAX_LOADED_MODELS, OLLAMA_NUM_PARALLEL e OLLAMA_MAX_QUEUE. Queste impostazioni sono importanti su un NAS perchรฉ la concorrenza puรฒ trasformare unโinstallazione stabile per un singolo utente in un picco di risorse.
Per un server domestico condiviso, inizia con limiti prudenti. Un modello caricato e una richiesta attiva sono un punto di partenza piรน sicuro. Aumenta i limiti solo dopo aver verificato che lo spazio di archiviazione, la memoria, la CPU e gli altri servizi rimangano stabili.
Scegli un modello adatto al server, non alle mode
Il modello giusto da provare per primo non รจ il piรน grande che puoi scaricare. ร il modello piรน piccolo in grado di completare lโattivitร con una qualitร accettabile. Su un NAS, la scelta del modello contribuisce a proteggere il sistema.
I modelli quantizzati sono spesso il punto di partenza piรน pratico. llama.cpp documenta come i modelli quantizzati riducano la precisione dei pesi del modello, ad esempio convertendo file di modelli GGUF a precisione superiore in formati piรน piccoli. Questo puรฒ ridurre le dimensioni del modello e migliorare lโinferenza nellโuso pratico, ma puรฒ anche comportare compromessi sulla qualitร .
Per molti casi dโuso di un NAS domestico, questo compromesso รจ generalmente accettabile: chat semplice, riepiloghi, embedding, supporto RAG, organizzazione dei file e piccole automazioni. ร meno accettabile se lโattivitร richiede ragionamento approfondito, contesto ampio, prestazioni per piรน utenti o elevata precisione nella programmazione.
Usa le condizioni del server come punto di partenza:
| Condizioni del server | Punto di partenza piรน sicuro | Da evitare inizialmente |
|---|---|---|
| 8GBโ16GB di RAM, solo CPU | Modello quantizzato piccolo, embedding, chat leggera | Modelli grandi, contesto ampio, piรน utenti |
| 16GBโ32GB di RAM, iGPU / NPU | Chat semplice, RAG, assistente di ricerca | Generazione di immagini, assistente per la programmazione intensiva |
| GPU con VRAM sufficiente | Modello piรน grande o inferenza piรน veloce | Accumulo illimitato di modelli |
| NAS condiviso con molte app | Processi AI programmati, un modello, un utente | Inferenza intensiva sempre attiva |
| NAS piรน una macchina GPU separata | Il NAS archivia i dati; la macchina AI esegue lโinferenza | Forzare tutta lโelaborazione sul NAS |
Un deployment sicuro inizia in piccolo perchรฉ ti offre una base stabile. Dopodichรฉ, puoi provare un modello piรน grande, un contesto piรน ampio o unโintegrazione con una WebUI. Se il sistema rallenta, sai quale modifica ha causato il problema.
Tieni il modello linguistico lontano dalle app e dai backup critici
Un modello linguistico locale non dovrebbe condividere i limiti di errore con i servizi da cui dipendi maggiormente. Se l'archiviazione dei modelli di IA, i backup, i database delle app e i file temporanei si trovano tutti nello stesso percorso pianificato male, un carico di lavoro puรฒ creare problemi agli altri.
Tieni la cache dei modelli e i dati temporanei dell'IA lontani dalle destinazioni dei backup. In genere, รจ possibile ricreare una directory dei modelli, mentre un archivio di backup non รจ riproducibile. Riempire una destinazione di backup con file dei modelli o dati temporanei dell'IA puรฒ far saltare i backup, causare errori nei processi di sincronizzazione o creare punti di ripristino difficili da interpretare.
Quando possibile, tieni separati i database delle app. Home Assistant, i server multimediali, le librerie di foto, i gestori di password e altre app self-hosted possono dipendere da database di piccole dimensioni, che risentono dei picchi improvvisi di I/O o della scarsitร di spazio su disco. Non lasciare che il download di un modello di grandi dimensioni o l'indicizzazione RAG occupino la stessa area di archiviazione senza averlo pianificato.
Considera anche gli orari. Se i backup vengono eseguiti di notte, non pianificare nello stesso intervallo operazioni di indicizzazione intensive. Se la sera si guardano contenuti in streaming, non eseguire in quel momento inferenze con contesto lungo basate solo sulla CPU. Spesso un NAS ha capacitร sufficiente per diversi carichi di lavoro, ma non per tutti ai livelli di picco.
Per i flussi di lavoro con modelli linguistici che possono scrivere file o usare strumenti, aggiungi misure di sicurezza. Usa percorsi isolati, passaggi di conferma e log. Lascia che il modello suggerisca le azioni, ma usa codice deterministico o chiedi conferma all'utente per scritture, eliminazioni, spostamenti e modifiche alle app. Una distribuzione sicura del modello linguistico protegge non solo le risorse di sistema, ma anche i dati a cui puรฒ accedere.
Segnali che il modello linguistico sta sottraendo risorse agli altri servizi
Una distribuzione configurata male non sempre fallisce subito. Piรน spesso, crea sintomi che all'inizio sembrano scollegati tra loro.
Un segnale d'allarme รจ la crescita improvvisa dello spazio su disco. Se l'unitร di sistema, la directory root di Docker o lo spazio di archiviazione delle app aumentano rapidamente dopo aver scaricato dei modelli, il percorso del modello potrebbe non essere associato alla directory prevista. Controlla il percorso effettivo sull'host, non solo quello del container.
Anche i riavvii dei container sono un segnale. Se il container del modello linguistico, il database, Home Assistant, il server multimediale o l'interfaccia web continuano a riavviarsi, controlla la pressione sulla memoria, i log OOM e la saturazione della CPU. Il modello linguistico potrebbe restare attivo mentre gli altri servizi perdono risorse.
Anche un pannello di controllo del NAS lento รจ un problema. Se l'interfaccia web diventa lenta durante l'esecuzione dei prompt, il modello linguistico locale potrebbe usare troppi thread della CPU, troppa memoria o troppe risorse del disco. Il fatto che il modello risponda correttamente non significa che la distribuzione funzioni bene.
Il buffering dei contenuti multimediali, le automazioni in ritardo, le condivisioni di file lente e le finestre di backup mancate sono segnali piรน significativi. Sono funzioni fondamentali di un NAS. Se peggiorano dopo la distribuzione dellโLLM, lโLLM ha bisogno di un modello piรน piccolo, limiti piรน rigorosi, una pianificazione migliore o un host di calcolo separato.
Controlla anche il comportamento dellโAPI. Se lโAPI dellโLLM si blocca, resta in coda a tempo indeterminato o diventa inaffidabile quando si collega una WebUI, uno strumento RAG o un sistema di automazione, il livello di parallelismo potrebbe essere troppo alto per il server. Limita i modelli caricati, le richieste attive e la lunghezza della coda prima di aggiungere altre integrazioni.
Un ordine di distribuzione piรน sicuro per un LLM locale su NAS
Non iniziare installando tutti gli strumenti di IA contemporaneamente. Inizia con un servizio LLM locale, un modello, un percorso di archiviazione e un caso dโuso di prova. Cosรฌ sarร piรน facile capire la distribuzione e diagnosticare i problemi in sicurezza.
Un ordine di distribuzione piรน sicuro รจ il seguente:
- Scegli un caso dโuso, come una chat leggera, gli embedding o i test RAG.
- Scegli il modello piรน piccolo in grado di svolgere il lavoro.
- Crea una directory dedicata ai modelli in un percorso di archiviazione noto.
- Mappa quella directory nel container oppure configura il runtime affinchรฉ la utilizzi.
- Imposta limiti per memoria e CPU.
- Limita le richieste parallele e il numero di modelli caricati.
- Inizia con un prompt di prova o un piccolo indice RAG.
- Durante il test, controlla disco, RAM, CPU, GPU, log e tempi di risposta.
- Conferma che le app esistenti e i backup continuino a funzionare normalmente.
- Solo allora aggiungi integrazioni come Open WebUI, strumenti RAG o flussi di automazione.
Questโordine puรฒ sembrare piรน lento rispetto a una guida rapida allโinstallazione, ma riduce le sorprese. Se qualcosa si rompe, saprai se il problema dipende dal modello, dal percorso, dai limiti delle risorse, dalla WebUI, dallโindice RAG o da unโaltra integrazione.
Come verificare che lo spazio di archiviazione e le app siano ancora al sicuro
La verifica non dovrebbe fermarsi a ยซil modello ha rispostoยป. Un LLM locale puรฒ rispondere a un prompt e al tempo stesso riempire il disco sbagliato, sottrarre risorse ad altri container o ritardare i processi di backup.
Inizia con la verifica dello spazio di archiviazione. Conferma che i file del modello siano stati salvati nel percorso host previsto. Controlla che lโunitร di sistema abbia ancora spazio libero. Verifica che la directory root di Docker non sia cresciuta inaspettatamente. Conferma che la cache del modello, i log, gli indici e i dati delle app non siano mescolati a backup o database critici.
Quindi controlla le risorse. La CPU dovrebbe tornare alla normalitร dopo i prompt o lโindicizzazione. La memoria dovrebbe restare al di sotto del limite pianificato. Lo swap non dovrebbe aumentare durante lโuso normale. Se lโinferenza sulla GPU รจ abilitata, verifica che il modello utilizzi davvero la GPU e che la pressione sulla VRAM sia accettabile.
Controlla poi la stabilitร delle app. Apri le condivisioni di file, riproduci contenuti multimediali in streaming, attiva unโautomazione di Home Assistant, consulta la dashboard del NAS e verifica che i database o le dashboard delle app rispondano ancora. Se questi servizi rallentano solo mentre lโLLM รจ attivo, servono limiti piรน rigorosi per CPU, memoria o pianificazione.
Controlla i log. Cerca cicli di riavvio, messaggi OOM, caricamenti dei modelli non riusciti, errori di autorizzazione, accesso alla GPU mancante, montaggi dei volumi non riusciti e timeout API ripetuti. Spesso รจ nei log che unโimplementazione โfunzionanteโ rivela di essere appena stabile.
Infine, controlla il limite dellโendpoint. Se il server del modello espone unโAPI, verifica dove รจ accessibile. Un endpoint LLM locale non dovrebbe diventare pubblico per errore. Mantienilo interno, a meno che tu non abbia deciso di proteggerlo tramite autenticazione, regole di reverse proxy, accesso VPN o un altro confine controllato.
In che modo la ricerca IA di ZimaOS mostra un modello di implementazione IA controllata
Un flusso di lavoro IA controllato sul NAS dovrebbe avere un percorso del modello definito, requisiti di risorse, aspettative sui tempi di esecuzione e procedure di verifica. Non dovrebbe comportarsi come un servizio in background illimitato che scarica modelli, consuma tempo GPU e scrive dati dove vuole.
ZimaOS-AI รจ un esempio utile di questo approccio controllato. La guida di ZimaSpace per la ricerca IA spiega che il modulo รจ progettato per supportare la ricerca in ZimaOS utilizzando un LLM locale per estrarre caratteristiche da immagini, audio e video. Questa impostazione รจ importante: il carico di lavoro IA supporta la ricerca e lโestrazione di caratteristiche, anzichรฉ trasformare il NAS in un server di chat senza restrizioni.
La stessa guida rende visibile il limite delle risorse. Descrive percorsi di installazione distinti per i sistemi con GPU NVIDIA dedicata e quelli con GPU Intel integrata. Il percorso NVIDIA dipende dal supporto di GPU compatibili con CUDA, mentre quello per GPU Intel integrata richiede almeno 8GB di RAM libera e consiglia una CPU i5-1235U o superiore con grafica integrata. Indica inoltre almeno 20GB di spazio libero nel sistema e specifica che i file dei modelli vengono archiviati in /media/ZimaOS-HD/AppData/.models, a meno che AppData non sia stato migrato.
ร il tipo di informazioni di cui ha bisogno unโimplementazione sicura di un LLM prima di avviarsi. Un dispositivo cloud privato come ZimaCube 2, NAS per IA puรฒ supportare flussi di lavoro IA locali piรน avanzati, quando il percorso del modello, il supporto GPU o iGPU, la RAM, lo spazio di archiviazione e la pianificazione sono adeguati al carico di lavoro. Ma la lezione importante riguarda i confini, non il nome del marchio: sapere dove risiede il modello, quale percorso hardware utilizza e quando puรฒ consumare risorse.
I dettagli per la risoluzione dei problemi mostrano anche come verificare unโimplementazione. Se la ricerca AI non restituisce risultati correlati allโAI, il modello potrebbe essere ancora in fase di download, lโestrazione delle funzionalitร potrebbe essere ancora in corso, lโaccesso a Hugging Face potrebbe non essere disponibile oppure la VRAM potrebbe essere insufficiente, costringendo a usare CPU / memoria. La guida indica inoltre di controllare Call-History, il traffico di rete e journalctl -xef -u zimaos-ai per verificare lo stato.
ร un approccio utile per qualsiasi implementazione locale di un LLM su un NAS: definisci il percorso e le risorse, controlla i log, verifica che la funzionalitร funzioni davvero e pianifica le attivitร piรน intensive in modo che il NAS rimanga utilizzabile.
Domande frequenti
Dove dovrei archiviare i file dei modelli LLM locali su un NAS?
Archivia i file dei modelli in una directory dedicata e documentata, su un volume dati o in una posizione di archiviazione delle app con spazio sufficiente. Evita che i modelli finiscano senza che te ne accorga sullโunitร di avvio, nella directory principale di Docker o su una destinazione di backup. Il percorso dovrebbe essere facile da controllare, ripulire e migrare.
Dovrei eseguire Ollama direttamente o in Docker?
Entrambe le opzioni possono funzionare. Docker semplifica lโisolamento e lโimplementazione, ma devi configurare correttamente il percorso di archiviazione dei modelli e impostare limiti alle risorse. Unโinstallazione diretta puรฒ essere piรน semplice su alcuni sistemi, ma devi comunque verificare la directory dei modelli, i permessi, lโuso della memoria e i confini dei servizi.
Quanta RAM dovrei riservare alle altre app?
Riserva abbastanza RAM per il sistema operativo del NAS, la cache del file system, i database, i servizi multimediali, i backup e i normali container prima di assegnare memoria allโLLM. Non dimensionare il modello in base alla RAM totale. Dimensionarlo in base alla RAM disponibile dopo aver lasciato margine ai servizi essenziali.
Un LLM locale puรฒ compromettere gli altri container Docker?
Puรฒ interferire con loro se consuma troppa memoria, CPU, I/O del disco o spazio di archiviazione. Potrebbe non ยซromperliยป direttamente, ma se viene implementato senza limiti puรฒ causare rallentamenti, cicli di riavvio, eventi OOM, finestre di backup saltate o operazioni del database non riuscite.
Quando dovrei spostare lโLLM su una macchina separata?
Sposta lโLLM su una macchina separata quando ti servono modelli piรน grandi, contesti lunghi, piรน utenti, carichi di lavoro intensivi per la GPU o risposte rapide che rallentano il NAS. In questa configurazione, il NAS puรฒ continuare a fornire archiviazione e dati, mentre un computer desktop con GPU, un mini PC o un server AI gestisce lโinferenza.
Unโimplementazione locale sicura di un LLM su un NAS inizia dai confini, non dallโentusiasmo per i modelli. Assegna al modello un percorso noto, imposta limiti alle risorse del container, proteggi le app critiche e i backup e verifica lโintero server dopo il primo prompt. Lโimplementazione รจ riuscita solo quando lโLLM funziona e il NAS continua a comportarsi come un NAS affidabile.
Assistenza e consigli
Altre letture

Cosa controllare prima di caricare un modello della community in Transformers
Usa lโaggiornamento della sandbox Jinja di Transformers per esaminare la provenienza dei modelli, i template di chat, il codice remoto, i pesi serializzati e...

Esegui Mirage in locale: OCR e rilevamento degli oggetti da una sola immagine
Prova il piccolo modello di visione locale di Cactus Compute, verifica lโOCR e lโestrazione degli oggetti con input reali e comprendi i limiti di...

Come pianificare un agente di programmazione in Open WebUI su un server domestico
Configura un'automazione di un agente di programmazione in modalitร di sola reportistica in Open WebUI, seleziona il terminale e l'area di lavoro, quindi verifica...



