Um NAS doméstico pode executar IA local, mas costuma ser mais adequado para tarefas de IA que complementam o armazenamento do que para tarefas que substituem uma estação de trabalho dedicada. A indexação de pesquisa, o OCR, a extração de características de conteúdos multimédia, os embeddings e as experiências de pequena escala podem ser adequados. Os modelos de conversação intensivos, a geração de imagens, a afinação de modelos e a inferência em tempo real para vários utilizadores são as tarefas que levam a maioria das configurações de NAS domésticos a atingir os seus limites.
A questão principal não é «Posso instalar uma aplicação de IA?». É saber se a carga de trabalho de IA pode ser executada sem prejudicar as principais funções do NAS: armazenar ficheiros, disponibilizar conteúdos multimédia, executar cópias de segurança e manter-se disponível. A IA local é útil num NAS quando complementa essas funções, não quando consome toda a capacidade de CPU, memória, GPU, E/S de armazenamento ou margem térmica.
Em resumo: um NAS doméstico é melhor a indexar com IA do que a executar tarefas de IA intensivas
Um NAS doméstico costuma ser uma boa opção para IA associada ao armazenamento. Inclui tarefas como indexação de documentos, OCR, pesquisa de fotografias, análise de conteúdos multimédia, geração de embeddings e pesquisa semântica de ficheiros já armazenados no NAS. Estas tarefas são muitas vezes assíncronas, podem ser executadas em segundo plano e nem sempre exigem respostas imediatas.
Um NAS doméstico costuma ser menos adequado para IA interativa intensiva. Conversas com LLM de grandes dimensões, resumos de documentos com contexto extenso, assistentes de programação, análise de câmaras em tempo real, geração de imagens e afinação de modelos podem ultrapassar rapidamente as capacidades de processadores de baixo consumo, memória de sistema partilhada, VRAM limitada e sistemas de arrefecimento compactos de um NAS.
As ferramentas de LLM locais tornam esta distinção fácil de interpretar mal. As FAQ do Ollama explicam que a inferência por CPU utiliza a memória do sistema, enquanto a inferência por GPU utiliza a VRAM, e que a execução simultânea de modelos depende de haver memória suficiente para os modelos carregados e o contexto. Isto é importante porque, por vezes, um NAS consegue carregar um modelo, mas ainda assim proporcionar uma experiência demasiado lenta, instável ou incómoda para a utilização diária.
Um melhor ponto de partida é simples: deixe o NAS tratar dos dados, da indexação, do suporte à pesquisa e da inferência ligeira. Quando as tarefas mais pesadas começarem a afetar o funcionamento normal do armazenamento, transfira a geração intensiva para um computador de secretária com GPU, um mini PC, uma estação de trabalho ou um servidor de IA local dedicado.
Identifique primeiro a carga de trabalho de IA que pretende realmente executar
Antes de avaliar o hardware, identifique a tarefa de IA. «IA local» pode referir-se a muitas cargas de trabalho diferentes, que não sobrecarregam um NAS da mesma forma.
O OCR é normalmente uma tarefa de processamento em segundo plano. Lê documentos ou imagens e extrai texto para que os ficheiros possam ser pesquisáveis. Pode funcionar bem num NAS se for executado segundo um horário e não interferir com as cópias de segurança ou a transmissão de conteúdos multimédia.
A análise de multimédia inclui a identificação de fotografias, o reconhecimento facial, a deteção de objetos, a análise de áudio e a extração de características de vídeo. Pode ser prática num NAS quando o modelo é suficientemente pequeno e o sistema dispõe de aceleração compatível por GPU, iGPU ou NPU. Sem aceleração, o processamento de grandes bibliotecas de fotografias ou vídeos pode demorar bastante.
RAG não é o mesmo que colocar todos os ficheiros diretamente num chatbot. Um verdadeiro pipeline RAG inclui o carregamento dos dados, a sua indexação, o armazenamento de representações, como embeddings vetoriais, a recuperação do contexto relevante e, por fim, o envio desse contexto a um modelo para gerar respostas. Um NAS pode ser útil para o armazenamento, a indexação e a recuperação, enquanto outra máquina trata da etapa de geração, mais exigente.
O chat com LLMs pequenos pode funcionar em alguns sistemas NAS domésticos, sobretudo com modelos quantizados mais pequenos. No entanto, a velocidade de resposta, o comprimento do contexto e a execução simultânea de pedidos dependem muito da memória, da largura de banda da memória e da aceleração.
A geração de imagens costuma ser pouco adequada ao hardware comum de um NAS. Exige muito da GPU e da VRAM, e a geração apenas com CPU pode ser extremamente lenta.
O ajuste fino é ainda menos adequado à maioria das configurações de NAS doméstico. O treino ou o ajuste fino de modelos exige muito mais capacidade de computação, VRAM, arrefecimento e manutenção do que um servidor doméstico concebido sobretudo para armazenamento consegue oferecer.
O que costuma funcionar bem num NAS doméstico
As melhores cargas de trabalho de IA num NAS são geralmente executadas em segundo plano, de forma programada e perto dos dados armazenados. Melhoram a forma como pesquisa ou organiza os ficheiros, sem exigir que o NAS se comporte como um serviço de IA na cloud.
O OCR de documentos é um dos exemplos mais realistas. O NAS já armazena PDFs, digitalizações, recibos e notas, por isso, extrair texto em segundo plano pode facilitar a pesquisa no arquivo. O principal limite costuma ser a utilização do CPU e da memória durante a indexação, não a velocidade de resposta imediata.
A análise de fotografias e multimédia também pode ser uma boa opção. Um NAS pode analisar uma biblioteca de fotografias, extrair características, gerar etiquetas ou facilitar a pesquisa semântica. Estas tarefas beneficiam da aceleração por hardware, mas nem sempre exigem interação em tempo real. Executá-las durante a noite ou em períodos de menor utilização pode torná-las muito mais práticas.
A RAG leve pode ser uma boa opção quando o NAS é utilizado como camada de dados e indexação. O NAS pode armazenar documentos, embeddings, metadados e dados de aplicações. O modelo de geração pode ser executado localmente no NAS se for suficientemente pequeno, ou noutro dispositivo se for demasiado exigente.
As pequenas utilidades de IA também podem funcionar bem. Alguns exemplos são a limpeza de nomes de ficheiros, a classificação básica, a pesquisa em transcrições, funcionalidades simples de assistente e ferramentas de automação. Normalmente, estas opções são mais adequadas para um NAS do que os chatbots de grandes dimensões, pois podem ser executadas em períodos curtos ou como tarefas controladas em segundo plano.
O padrão comum é evidente: um NAS doméstico é mais eficaz quando a IA funciona como uma camada de indexação e organização sobre o armazenamento. Torna-se menos eficaz quando a IA passa a ser uma carga de trabalho contínua, interativa e exigente em termos de computação.
Quando a IA local começa a esbarrar nos limites do hardware
RAM e tamanho do modelo
A RAM é um dos primeiros limites rígidos. Os modelos de IA locais precisam de memória para os pesos do modelo, a sobrecarga do ambiente de execução, o contexto e, por vezes, os embeddings ou dados intermédios. Se um modelo mal couber, o sistema pode continuar a funcionar, mas a experiência poderá ser lenta ou instável.
É por isso que o tamanho do modelo é mais importante do que os utilizadores esperam. Os modelos mais pequenos podem caber confortavelmente e deixar memória suficiente para os serviços NAS habituais. Os modelos maiores podem só carregar à custa dos serviços de ficheiros, dos contentores, das caches ou das tarefas em segundo plano. Se o NAS começar a recorrer à memória virtual no disco, a IA local pode tornar-se inutilizavelmente lenta e afetar todo o sistema.
A quantização ajuda, mas não elimina os limites. A documentação do llama.cpp explica como os modelos quantizados reduzem a precisão dos pesos do modelo para diminuir o seu tamanho e melhorar a inferência na prática, embora possam implicar compromissos em termos de qualidade. Um modelo quantizado pode tornar possível a inferência num NAS, mas não transforma um NAS de baixa potência numa estação de trabalho de IA topo de gama.
Aceleração por VRAM, GPU e NPU
Nas cargas de trabalho de IA, a aceleração determina muitas vezes se a tarefa é prática. Uma GPU suportada pode manter os pesos do modelo e os cálculos mais próximos do hardware concebido para inferência. A VRAM é importante porque a inferência na GPU está limitada ao que cabe na memória da GPU.
Um iGPU ou NPU também pode ajudar, sobretudo na análise de suportes multimédia, no OCR, na extração de características de imagens e em algumas tarefas de inferência otimizadas. O OpenVINO suporta aceleração por hardware em dispositivos CPU, GPU e NPU, razão pela qual os caminhos de execução suportados são importantes para as funcionalidades de IA dos NAS. A questão não é apenas saber se o chip existe, mas se a aplicação de IA, o controlador, o ambiente de execução e o formato do modelo conseguem realmente utilizá-lo.
Sem uma via de aceleração compatível, o NAS poderá recorrer à CPU e à memória do sistema. Isso pode funcionar para cargas de trabalho ligeiras, mas as tarefas de IA exigentes irão competir diretamente com a partilha de ficheiros, as cópias de segurança, os contentores e os serviços multimédia.
CPU e largura de banda da memória
A inferência apenas com CPU pode ser útil para modelos pequenos e tarefas em segundo plano, mas tem limitações. Os LLM leem repetidamente os dados do modelo na memória enquanto geram respostas. Mesmo que a CPU tenha núcleos suficientes, a largura de banda da memória pode tornar-se o estrangulamento.
É por isso que um NAS pode funcionar bem para servir ficheiros, mas ser lento no chat com IA. Servir ficheiros, transmitir conteúdos multimédia e fazer cópias de segurança não são cargas de trabalho iguais à geração de tokens ou ao processamento de prompts longos. Um modelo pode funcionar tecnicamente, mas prompts longos, documentos extensos ou vários utilizadores podem fazer com que a experiência pareça bloqueada.
Para OCR, embeddings e indexação, os limites da CPU manifestam-se de forma diferente. A tarefa pode ser concluída, mas a indexação demora horas, a ventoinha acelera ou outras aplicações do NAS ficam lentas. Continua a ser uma limitação de capacidade, mesmo que nada bloqueie.
E/S do armazenamento e margem térmica
As aplicações de IA podem criar uma nova pressão sobre o armazenamento. Os ficheiros de modelos, índices, embeddings, miniaturas, registos, ficheiros de cache e dados das aplicações podem ficar na unidade do sistema ou no armazenamento das aplicações. Se esses locais tiverem pouco espaço ou não forem bem planeados, o NAS pode ficar sem espaço, mesmo quando o conjunto de armazenamento principal tem bastante capacidade.
O desempenho de E/S do armazenamento também é importante durante a indexação. A análise de uma grande biblioteca multimédia enquanto decorrem cópias de segurança ou transmissão de conteúdos pode tornar o NAS menos responsivo. Os conjuntos de HDD podem ser especialmente sensíveis quando muitos ficheiros pequenos estão a ser lidos, analisados e indexados.
A gestão térmica é outra limitação real. Um NAS doméstico é normalmente concebido para armazenamento silencioso e eficiente, 24/7. As cargas de trabalho de IA contínuas podem aumentar a temperatura da CPU ou GPU, o ruído da ventoinha e o consumo de energia. Se o NAS aquecer ou fizer ruído sempre que a indexação de IA é executada, poderá ser necessário programar a carga de trabalho, definir limites ou usar um dispositivo de computação separado.
Que tarefas de IA são adequadas a cada configuração de NAS?
Esta tabela é uma ferramenta para avaliar a adequação à carga de trabalho, não uma lista de recomendações de aplicações. O mesmo NAS pode lidar confortavelmente com uma carga de trabalho de IA e ter grandes dificuldades com outra.
| Carga de trabalho de IA | Normalmente adequado a um NAS doméstico? | Limitação principal | Configuração mais adequada se houver dificuldades |
|---|---|---|---|
| OCR / indexação de documentos | Sim, se for programado | CPU e memória durante a indexação | Executar durante a noite ou limitar a concorrência |
| Extração de características de fotografias / multimédia | Sim, com apoio de GPU, iGPU ou NPU | Aceleração, VRAM, transferência de modelos, tamanho da biblioteca | Utilize um acelerador compatível ou agende o processamento |
| RAG leve | Por vezes | Embeddings, RAM, contexto longo, modelo de geração | O NAS armazena os dados e o índice; um equipamento de IA separado trata da inferência |
| Conversação com LLM pequeno | Por vezes | RAM, largura de banda da memória, contexto, simultaneidade | Modelos quantizados mais pequenos ou servidor de IA dedicado |
| Análise de câmaras em tempo real | Limitado | Processamento e aceleração contínuos | Dispositivo de edge com NPU/GPU dedicada |
| Geração de imagens | Normalmente, não | GPU, VRAM, arrefecimento, tempo por imagem | Máquina com GPU dedicada |
| Ajuste fino de modelos | Não, na maioria das configurações de NAS domésticas | VRAM, capacidade de processamento, calor, gravações no armazenamento | GPU de estação de trabalho, servidor ou cloud |
A distinção importante é saber se a carga de trabalho é em segundo plano ou interativa. A indexação em segundo plano pode ser lenta e continuar a ser útil. A conversação interativa, a análise de vídeo em tempo real ou a geração de imagens tornam-se frustrantes quando cada pedido ocupa o NAS.
Sinais de alerta de que a carga de trabalho de IA é demasiado pesada
Nem sempre o NAS falha de forma evidente quando uma carga de trabalho de IA é demasiado pesada. Na maioria dos casos, os sinais de alerta manifestam-se numa pior experiência do dia a dia.
Um sinal de alerta é uma interface Web lenta. Se o painel de controlo do NAS, o navegador de ficheiros, a página do Docker ou a interface de gestão de aplicações ficar lenta durante a execução de tarefas de IA, a carga de trabalho está a competir pelos recursos do sistema.
As quebras de desempenho na partilha de ficheiros são outro sinal. SMB, WebDAV, transmissão de conteúdos multimédia ou consulta de fotografias não devem tornar-se pouco fiáveis só porque uma aplicação de IA está a indexar ficheiros. Se o acesso normal ao armazenamento for afetado, é necessário limitar, agendar ou transferir a tarefa de IA para outro dispositivo.
Os atrasos nas cópias de segurança são particularmente importantes. Um NAS não deve permitir que a indexação por IA interfira com os períodos de cópia de segurança, as tarefas de instantâneos, a sincronização ou a disponibilidade para restauro. Se as tarefas de cópia de segurança se atrasarem ou forem ignoradas porque as tarefas de IA consomem demasiados recursos, a configuração deixou de estar equilibrada.
O comportamento dos recursos também revela o que se passa. Esteja atento a cargas elevadas e prolongadas do CPU, pressão elevada sobre a memória, utilização da memória swap, VRAM cheia, utilização intensiva do disco, temperaturas a subir e ventoinhas a funcionar mais do que o habitual. Estes sinais indicam que a tarefa de IA não está apenas a utilizar capacidade disponível.
Os sintomas ao nível das aplicações também são importantes. Os resultados de pesquisa por IA podem não aparecer, a indexação pode ficar bloqueada, a pesquisa semântica pode funcionar apenas com determinados tipos de ficheiro ou as transferências de modelos podem falhar. Nem sempre se trata de erros. Podem dever-se à falta de modelos, a hardware não compatível, a problemas de acesso à rede ou a limites de recursos.
Uma forma mais segura de adicionar IA local sem abrandar o NAS
Adicione IA local gradualmente. O objetivo é descobrir onde o NAS é mais útil, não ativar todas as funcionalidades de IA de uma só vez.
Comece com uma tarefa de IA em segundo plano. O OCR, a análise de fotografias ou um pequeno índice de pesquisa semântica são opções melhores para começar do que um modelo de conversação de grandes dimensões. Assim, é mais fácil perceber o impacto da carga de trabalho na CPU, na memória, na E/S do armazenamento e na temperatura.
Dê prioridade às tarefas de partilha de ficheiros e de cópia de segurança. Se a IA coincidir com as cópias de segurança, programe a IA fora do período reservado às cópias. Se houver transmissão de conteúdos multimédia ao fim do dia, execute a indexação durante a noite. A IA deve usar a capacidade disponível, não retirar recursos às funções essenciais do NAS.
Use limites de memória dos contentores e limites de CPU ao implementar aplicações de IA no Docker. A documentação do Docker descreve limites de memória rígidos e flexíveis, limites de CPU e restrições de recursos que podem ajudar a impedir que um contentor consuma todos os recursos do anfitrião. Isto é especialmente importante quando o NAS também executa serviços de ficheiros, tarefas de sincronização, aplicações multimédia e outros contentores.
Planeie o armazenamento dos modelos e dos índices antes de transferir ficheiros grandes. Saiba onde ficarão os ficheiros dos modelos, os embeddings, os registos e os dados das aplicações. Se a aplicação guardar os modelos na unidade do sistema, certifique-se de que esta tem espaço suficiente e de que os respetivos conteúdos têm cópia de segurança ou estão documentados.
Se necessário, use uma configuração com dois equipamentos. Neste modelo, o NAS armazena ficheiros, índices e conjuntos de dados, enquanto um mini PC, computador de secretária ou servidor local de IA com capacidade para GPU trata da inferência mais exigente. Assim, o NAS mantém-se focado na fiabilidade, sem deixar de permitir fluxos de trabalho de IA local e privada.
Uma configuração mais segura segue esta ordem:
- Comece com uma tarefa de IA em segundo plano.
- Dê prioridade aos serviços de partilha de ficheiros e às cópias de segurança.
- Programe a indexação para horas de menor utilização.
- Monitorize a CPU, a RAM, a GPU, a VRAM, a E/S do disco e a temperatura.
- Evite modelos interativos de grandes dimensões durante a utilização normal do NAS.
- Transfira a inferência mais exigente para uma máquina com GPU se o NAS ficar lento.
- Guarde os ficheiros dos modelos, os índices, os registos e os dados das aplicações em localizações previsíveis.
Como saber se a configuração de IA do seu NAS está a funcionar em segurança
Uma configuração de IA funcional não é apenas uma aplicação que arranca. Deve concluir tarefas reais enquanto o NAS se mantém estável.
Teste com ficheiros reais. Para OCR, use uma pasta de amostra com PDFs ou imagens digitalizadas. Para análise de conteúdos multimédia, use uma pequena pasta de fotografias ou vídeos antes de analisar toda a biblioteca. Para RAG, use um conjunto limitado de documentos e faça perguntas que exijam a recuperação de informação, e não apenas conhecimentos genéricos do modelo.
Verifique se a indexação fica concluída. Uma aplicação de pesquisa que fica eternamente na extração de funcionalidades não está pronta. Consulte os registos, o estado da transferência do modelo, o armazenamento da aplicação e a utilização de recursos. Se a tarefa reiniciar repetidamente ou nunca terminar, a carga de trabalho poderá ser demasiado grande ou o hardware poderá não ser compatível.
Confirme que os serviços do NAS continuam a responder. Abra partilhas de ficheiros, reproduza conteúdos multimédia em streaming, navegue no painel de controlo e verifique as tarefas de cópia de segurança enquanto a IA está ativa. Se o NAS não conseguir disponibilizar ficheiros de forma fiável durante o processamento de IA, a tarefa de IA precisa de um agendamento, de um limite ou de uma máquina separada.
Verifique a recuperação de recursos. Após a conclusão da indexação ou da inferência, a CPU, a memória, a GPU e a I/O do disco devem voltar a níveis próximos do normal. Se a memória continuar cheia, os processos continuarem a reiniciar ou o sistema permanecer lento, a aplicação de IA poderá precisar de alterações de configuração.
Por fim, teste a experiência do utilizador. Um modelo local que responde demasiado lentamente para a utilização prevista não é uma boa escolha, mesmo que seja tecnicamente executável. Um fluxo de trabalho de IA para NAS é bem-sucedido quando melhora a pesquisa ou a automatização sem comprometer o próprio NAS.
Como a Pesquisa por IA do ZimaOS revela os verdadeiros limites dos recursos
Um fluxo de trabalho de pesquisa por IA num NAS real costuma envolver extração de funcionalidades, indexação, transferência de modelos, agendamento de recursos e recuperação semântica. Não é o mesmo que inferência de chat local sem limites.
O ZimaOS-AI segue esse padrão associado ao armazenamento. O guia do ZimaSpace para a pesquisa por IA explica que o módulo foi concebido para servir a pesquisa do ZimaOS, utilizando um modelo local para extrair funcionalidades de imagens, áudio e vídeo. É um exemplo útil de IA para NAS que trabalha junto dos conteúdos multimédia armazenados, em vez de tentar transformar o NAS numa estação de trabalho de IA de uso geral.
Este mesmo fluxo de trabalho também mostra por que motivo os requisitos de recursos são importantes. O módulo de IA do ZimaOS tem caminhos de instalação separados para sistemas com GPU dedicada NVIDIA e sistemas com GPU integrada Intel. O caminho da NVIDIA depende de uma GPU compatível com CUDA, enquanto o caminho da GPU integrada Intel requer pelo menos 8GB de RAM livre e recomenda um CPU i5-1235U ou superior com gráficos integrados. Também requer pelo menos 20GB de espaço livre no sistema, e os ficheiros dos modelos são armazenados em /media/ZimaOS-HD/AppData/.models, a menos que o AppData tenha sido migrado.
Isto torna o limite prático, em vez de abstrato. Um dispositivo de nuvem privada, como o ZimaCube 2, pode suportar fluxos de trabalho de IA local mais avançados quando o acelerador, a memória, o armazenamento de modelos e o agendamento são adequados à tarefa. Mas o mesmo conjunto de funcionalidades também mostra por que motivo os utilizadores devem verificar a compatibilidade do hardware antes de presumirem que todas as funções de IA funcionarão igualmente bem.
Os detalhes de resolução de problemas também revelam limites reais. Se a pesquisa com IA não apresentar resultados relacionados com IA, o modelo pode ainda estar a ser transferido, o sistema pode estar a extrair características, o acesso à rede ao Hugging Face pode não estar disponível ou a VRAM pode ser insuficiente, obrigando a recorrer à CPU / memória. O guia também refere limitações atuais, como a falta de suporte para conteúdos em línguas que não sejam o inglês nos resultados relacionados com IA e o suporte atual da pesquisa semântica apenas para imagens.
Esta é a forma certa de pensar na IA em NAS. Comece por uma funcionalidade específica, verifique o percurso de hardware, confirme o armazenamento do modelo e o acesso para o transferir, monitorize a utilização de recursos e programe as tarefas de IA para que o NAS continue utilizável.
Perguntas frequentes
Um NAS doméstico consegue executar um LLM local?
Sim, alguns sistemas NAS domésticos conseguem executar LLM locais pequenos, especialmente com modelos quantizados e RAM suficiente. O limite está na facilidade de utilização. Se as respostas forem lentas, o contexto for curto ou o NAS ficar lento, o modelo pode ser demasiado pesado para esse sistema.
A inferência de IA apenas com CPU é suficiente num NAS?
A inferência apenas com CPU pode ser suficiente para tarefas leves, modelos pequenos, OCR, embeddings ou tarefas em segundo plano. Normalmente, é menos adequada para conversas interativas com modelos grandes, resumos de contextos longos, geração de imagens ou utilização simultânea por vários utilizadores.
Preciso de uma GPU ou NPU para a pesquisa com IA no NAS?
Nem sempre, mas a aceleração por GPU, iGPU ou NPU pode tornar a pesquisa com IA e a análise de conteúdos multimédia muito mais práticas. A extração de características de grandes bibliotecas de fotografias, áudio ou vídeo pode ser lenta em sistemas que usam apenas a CPU.
A RAG é uma boa utilização para um NAS doméstico?
A RAG pode ser uma boa utilização do NAS quando este armazena documentos, índices, embeddings e metadados. O modelo de geração pode funcionar no NAS se for suficientemente pequeno, mas a inferência mais pesada costuma funcionar melhor numa máquina separada com capacidade para GPU.
Quando devo usar um servidor de IA separado?
Use um servidor de IA separado quando precisar de modelos maiores, respostas mais rápidas, processamento de contextos longos, geração de imagens, vários utilizadores ou cargas de trabalho intensivas que tornem o NAS menos responsivo. Nesta configuração, o NAS mantém-se dedicado ao armazenamento, enquanto o servidor de IA trata da computação.
Um NAS doméstico é uma base sólida para IA local privada quando a carga de trabalho beneficia do armazenamento: pesquisa, indexação, OCR, análise de conteúdos multimédia e automatização leve. Deixa de ser a ferramenta certa quando a IA consome os recursos necessários para manter a fiabilidade do NAS. Comece por pouco, verifique o desempenho real e transfira a inferência pesada antes que interfira com os ficheiros, as cópias de segurança e a utilização diária.
Assistência e dicas
Mais para ler

Como manter vídeos para adultos no seu NAS ocultos dos membros da família
Mantenha os vídeos para adultos privados num NAS familiar. Verifique as permissões das pastas, o acesso às bibliotecas do Plex e do Jellyfin, as...

O que verificar antes de carregar um modelo da comunidade em Transformers
Utilize a atualização da sandbox Jinja do Transformers para rever a proveniência dos modelos, os modelos de chat, o código remoto, os pesos serializados...

Execute o Mirage localmente: OCR e deteção de objetos a partir de uma imagem
Experimente o pequeno modelo de visão local da Cactus Compute, valide o OCR e a extração de objetos com dados reais e compreenda os...



