DeepSeek 多模態(tài)模型 Janus-Pro 本地部署和硬件建議

freeflydom

2025年5月12日 9:39 本文熱度 97

一、概述

Janus-Pro是DeepSeek最新開源的多模態(tài)模型，是一種新穎的自回歸框架，統(tǒng)一了多模態(tài)理解和生成。通過將視覺編碼解耦為獨立的路徑，同時仍然使用單一的、統(tǒng)一的變壓器架構(gòu)進(jìn)行處理，該框架解決了先前方法的局限性。這種解耦不僅緩解了視覺編碼器在理解和生成中的角色沖突，還增強(qiáng)了框架的靈活性。Janus-Pro 超過了以前的統(tǒng)一模型，并且匹配或超過了特定任務(wù)模型的性能。

代碼鏈接：https://github.com/deepseek-ai/Janus

模型鏈接：https://modelscope.cn/collections/Janus-Pro-0f5e48f6b96047

體驗頁面：https://modelscope.cn/studios/AI-ModelScope/Janus-Pro-7B

二、虛擬環(huán)境

環(huán)境說明

本文使用WSL2運行的ubuntu系統(tǒng)來進(jìn)行演示，參考鏈接：https://www.cnblogs.com/xiao987334176/p/18864140

創(chuàng)建虛擬環(huán)境

conda create --name vll-Janus-Pro-7B python=3.12.7

激活虛擬環(huán)境，執(zhí)行命令：

conda activate vll-Janus-Pro-7B

查看CUDA版本，執(zhí)行命令：

# nvcc -V

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2025 NVIDIA Corporation
Built on Wed_Jan_15_19:20:09_PST_2025
Cuda compilation tools, release 12.8, V12.8.61
Build cuda_12.8.r12.8/compiler.35404655_0

三、安裝Janus-Pro

硬件要求

顯存至少8G以上，推薦16G

內(nèi)存，至少16G以上，推薦32G

CPU，最低4核，推薦8核

硬盤，最好50G，推薦500G

以上條件，我已經(jīng)滿足了

顯卡，RTX 5080，顯存16G

內(nèi)存，64G，DDR5

cpu，24核32線程

硬盤，2TB固態(tài)硬盤

安裝

創(chuàng)建項目目錄

mkdir vllm
cd vllm

克隆代碼

git clone https://github.com/deepseek-ai/Janus

安裝依賴包，注意：這里要手動安裝pytorch，指定版本。

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128

安裝其他依賴組件

pip3 install transformers attrdict einops timm

下載模型

可以用modelscope下載，安裝modelscope，命令如下：

pip install modelscope
modelscope download --model deepseek-ai/Janus-Pro-7B

效果如下：

# modelscope download --model deepseek-ai/Janus-Pro-7B

Downloading Model from https://www.modelscope.cn to directory: /root/.cache/modelscope/hub/models/deepseek-ai/Janus-Pro-7B
Downloading [config.json]: 100%|███████████████████████████████████████████████████| 1.42k/1.42k [00:00<00:00, 5.29kB/s]
Downloading [configuration.json]: 100%|████████████████████████████████████████████████| 68.0/68.0 [00:00<00:00, 221B/s]
Downloading [README.md]: 100%|█████████████████████████████████████████████████████| 2.49k/2.49k [00:00<00:00, 7.20kB/s]
Downloading [processor_config.json]: 100%|███████████████████████████████████████████████| 210/210 [00:00<00:00, 590B/s]
Downloading [janus_pro_teaser1.png]: 100%|██████████████████████████████████████████| 95.7k/95.7k [00:00<00:00, 267kB/s]
Downloading [preprocessor_config.json]: 100%|████████████████████████████████████████████| 346/346 [00:00<00:00, 867B/s]
Downloading [janus_pro_teaser2.png]: 100%|███████████████████████████████████████████| 518k/518k [00:00<00:00, 1.18MB/s]
Downloading [special_tokens_map.json]: 100%|███████████████████████████████████████████| 344/344 [00:00<00:00, 1.50kB/s]
Downloading [tokenizer_config.json]: 100%|███████████████████████████████████████████████| 285/285 [00:00<00:00, 926B/s]
Downloading [pytorch_model.bin]:   0%|▏                                            | 16.0M/3.89G [00:00<03:55, 17.7MB/s]
Downloading [tokenizer.json]: 100%|████████████████████████████████████████████████| 4.50M/4.50M [00:00<00:00, 6.55MB/s]
Processing 11 items:  91%|█████████████████████████████████████████████████████▋     | 10.0/11.0 [00:19<00:00, 14.1it/s]
Downloading [pytorch_model.bin]: 100%|█████████████████████████████████████████████| 3.89G/3.89G [09:18<00:00, 7.48MB/s]
Processing 11 items: 100%|███████████████████████████████████████████████████████████| 11.0/11.0 [09:24<00:00, 51.3s/it]

可以看到下載目錄為/root/.cache/modelscope/hub/models/deepseek-ai/Janus-Pro-7B

把下載的模型移動到vllm目錄里面

mv /root/.cache/modelscope/hub/models/deepseek-ai /home/xiao/vllm

四、測試圖片理解

vllm目錄有2個文件夾，結(jié)構(gòu)如下：

# ll

total 20
drwxr-xr-x 4 root root 4096 May  8 18:59 ./
drwxr-x--- 5 xiao xiao 4096 May  8 14:50 ../
drwxr-xr-x 8 root root 4096 May  8 18:59 Janus/
drwxr-xr-x 4 root root 4096 May  8 16:01 deepseek-ai/

進(jìn)入deepseek-ai目錄，會看到一個文件夾Janus-Pro-7B

這個就是我們下載的大模型文件，等會會需要python代碼來調(diào)用

# ll
total 16
drwxr-xr-x 4 root root 4096 May  8 16:01 ./
drwxr-xr-x 4 root root 4096 May  8 18:59 ../
drwxr-xr-x 2 root root 4096 May  7 18:32 Janus-Pro-7B/

返回上一級，在Janus目錄，創(chuàng)建image_understanding.py文件，代碼如下：

import torch

from transformers import AutoModelForCausalLM
from janus.models import MultiModalityCausalLM, VLChatProcessor
from janus.utils.io import load_pil_images
model_path = "../deepseek-ai/Janus-Pro-7B"
image='aa.jpeg'
question='請說明一下這張圖片'
vl_chat_processor: VLChatProcessor = VLChatProcessor.from_pretrained(model_path)
tokenizer = vl_chat_processor.tokenizer
vl_gpt: MultiModalityCausalLM = AutoModelForCausalLM.from_pretrained(
    model_path, trust_remote_code=True
)
vl_gpt = vl_gpt.to(torch.bfloat16).cuda().eval()
conversation = [
    {
        "role": "<|User|>",
        "content": f"<image_placeholder>\n{question}",
        "images": [image],
    },
    {"role": "<|Assistant|>", "content": ""},
]
# load images and prepare for inputs
pil_images = load_pil_images(conversation)
prepare_inputs = vl_chat_processor(
    conversations=conversation, images=pil_images, force_batchify=True
).to(vl_gpt.device)
# # run image encoder to get the image embeddings
inputs_embeds = vl_gpt.prepare_inputs_embeds(**prepare_inputs)
# # run the model to get the response
outputs = vl_gpt.language_model.generate(
    inputs_embeds=inputs_embeds,
    attention_mask=prepare_inputs.attention_mask,
    pad_token_id=tokenizer.eos_token_id,
    bos_token_id=tokenizer.bos_token_id,
    eos_token_id=tokenizer.eos_token_id,
    max_new_tokens=512,
    do_sample=False,
    use_cache=True,
)
answer = tokenizer.decode(outputs[0].cpu().tolist(), skip_special_tokens=True)
print(f"{prepare_inputs['sft_format'][0]}", answer)

注意：根據(jù)實際情況，修改 model_path，image這2個參數(shù)即可，其他的不需要改動。

下載一張圖片，地址：https://pics6.baidu.com/feed/09fa513d269759ee74c8d049640fcc1b6f22df9e.jpeg

將此圖片，重命名為aa.jpeg，存放在Janus目錄

最終Janus目錄，文件如下：

# ll

total 2976
drwxr-xr-x 8 root root    4096 May  8 18:59 ./
drwxr-xr-x 4 root root    4096 May  8 18:59 ../
drwxr-xr-x 8 root root    4096 May  7 18:11 .git/
-rw-r--r-- 1 root root     115 May  7 18:11 .gitattributes
-rw-r--r-- 1 root root    7301 May  7 18:11 .gitignore
-rw-r--r-- 1 root root    1065 May  7 18:11 LICENSE-CODE
-rw-r--r-- 1 root root   13718 May  7 18:11 LICENSE-MODEL
-rw-r--r-- 1 root root    3069 May  7 18:11 Makefile
-rwxr-xr-x 1 root root   26781 May  7 18:11 README.md*
-rw-r--r-- 1 root root   62816 May  8 14:59 aa.jpeg
drwxr-xr-x 2 root root    4096 May  7 18:11 demo/
drwxr-xr-x 2 root root    4096 May  8 17:19 generated_samples/
-rw-r--r-- 1 root root    4515 May  7 18:11 generation_inference.py
-rw-r--r-- 1 xiao xiao    4066 May  8 18:50 image_generation.py
-rw-r--r-- 1 root root    1594 May  8 18:58 image_understanding.py
drwxr-xr-x 2 root root    4096 May  7 18:11 images/
-rw-r--r-- 1 root root    2642 May  7 18:11 inference.py
-rw-r--r-- 1 root root    5188 May  7 18:11 interactivechat.py
drwxr-xr-x 6 root root    4096 May  7 19:01 janus/
drwxr-xr-x 2 root root    4096 May  7 18:11 janus.egg-info/
-rw-r--r-- 1 root root 2846268 May  7 18:11 janus_pro_tech_report.pdf
-rw-r--r-- 1 root root    1111 May  7 18:11 pyproject.toml
-rw-r--r-- 1 root root     278 May  7 18:11 requirements.txt

運行代碼，效果如下：

# python image_understanding.py
Python version is above 3.10, patching the collections module.
/root/anaconda3/envs/vll-Janus-Pro-7B/lib/python3.12/site-packages/transformers/models/auto/image_processing_auto.py:604: FutureWarning: The image_processor_class argument is deprecated and will be removed in v4.42. Please use `slow_image_processor_class`, or `fast_image_processor_class` instead
warnings.warn(
Using a slow image processor as `use_fast` is unset and a slow processor was saved with this model. `use_fast=True` will be the default behavior in v4.52, even if the model was saved with a slow processor. This will result in minor differences in outputs. You'll still be able to use a slow processor with `use_fast=False`.
You are using the default legacy behaviour of the <class 'transformers.models.llama.tokenization_llama_fast.LlamaTokenizerFast'>. This is expected, and simply means that the `legacy` (previous) behavior will be used so nothing changes for you. If you want to use the new behaviour, set `legacy=False`. This should only be set if you understand what it means, and thoroughly read the reason why this was added as explained in https://github.com/huggingface/transformers/pull/24565 - if you loaded a llama tokenizer from a GGUF file you can ignore this message.
Loading checkpoint shards: 100%|██████████████████████████████████████████████████████████| 2/2 [00:10<00:00, 5.18s/it]
You are a helpful language and vision assistant. You are able to understand the visual content that the user provides, and assist the user with a variety of tasks using natural language.
<|User|>: <image_placeholder>
請說明一下這張圖片
<|Assistant|>: 這張圖片展示了一位身穿傳統(tǒng)服飾的女性，她正坐在戶外，雙手合十，閉著眼睛，似乎在進(jìn)行冥想或祈禱。背景是綠色的樹木和植物，陽光透過樹葉灑在她的身上，營造出一種寧靜、祥和的氛圍。她的服裝以淡雅的白色和粉色為主，帶有精致的花紋，整體風(fēng)格非常優(yōu)雅。

描述還是比較準(zhǔn)確的

五、測試圖片生成

在Janus目錄，新建image_generation.py腳本，代碼如下：

import os

import torch
import numpy as np
from PIL import Image
from transformers import AutoModelForCausalLM
from janus.models import MultiModalityCausalLM, VLChatProcessor
model_path = "../deepseek-ai/Janus-Pro-7B"
vl_chat_processor: VLChatProcessor = VLChatProcessor.from_pretrained(model_path)
tokenizer = vl_chat_processor.tokenizer
vl_gpt: MultiModalityCausalLM = AutoModelForCausalLM.from_pretrained(
    model_path, trust_remote_code=True
)
vl_gpt = vl_gpt.to(torch.bfloat16).cuda().eval()
conversation = [
    {"role": "<|User|>", "content": "超寫實8K渲染，一位具有東方古典美的中國女性，瓜子臉，西昌的眉毛如彎彎的月牙，雙眼明亮而深邃，猶如夜空中閃爍的星星。高挺的鼻梁，櫻桃小嘴微微上揚(yáng)，透露出一絲誘人的微笑。她的頭發(fā)如黑色的瀑布般垂直落在減胖兩側(cè)，微風(fēng)輕輕浮動發(fā)色。肌膚白皙如雪，在陽光下泛著微微的光澤。她身著乙烯白色的透薄如紗的連衣裙，裙擺在海風(fēng)中輕輕飄動。"},
    {"role": "<|Assistant|>", "content": ""},
]
sft_format = vl_chat_processor.apply_sft_template_for_multi_turn_prompts(
    conversations=conversation,
    sft_format=vl_chat_processor.sft_format,
    system_prompt=""
)
prompt = sft_format + vl_chat_processor.image_start_tag
@torch.inference_mode()
def generate(
        mmgpt: MultiModalityCausalLM,
        vl_chat_processor: VLChatProcessor,
        prompt: str,
        temperature: float = 1,
        parallel_size: int = 1, # 減小 parallel_size
        cfg_weight: float = 5,
        image_token_num_per_image: int = 576,
        img_size: int = 384,
        patch_size: int = 16,
):
    input_ids = vl_chat_processor.tokenizer.encode(prompt)
    input_ids = torch.LongTensor(input_ids)
    tokens = torch.zeros((parallel_size * 2, len(input_ids)), dtype=torch.int).cuda()
    for i in range(parallel_size * 2):
        tokens[i, :] = input_ids
        if i % 2 != 0:
            tokens[i, 1:-1] = vl_chat_processor.pad_id
    inputs_embeds = mmgpt.language_model.get_input_embeddings()(tokens)
    generated_tokens = torch.zeros((parallel_size, image_token_num_per_image), dtype=torch.int).cuda()
    for i in range(image_token_num_per_image):
        outputs = mmgpt.language_model.model(inputs_embeds=inputs_embeds, use_cache=True,
                                             past_key_values=outputs.past_key_values if i != 0 else None)
        hidden_states = outputs.last_hidden_state
        logits = mmgpt.gen_head(hidden_states[:, -1, :])
        logit_cond = logits[0::2, :]
        logit_uncond = logits[1::2, :]
        logits = logit_uncond + cfg_weight * (logit_cond - logit_uncond)
        probs = torch.softmax(logits / temperature, dim=-1)
        next_token = torch.multinomial(probs, num_samples=1)
        generated_tokens[:, i] = next_token.squeeze(dim=-1)
        next_token = torch.cat([next_token.unsqueeze(dim=1),
                                next_token.unsqueeze(dim=1)], dim=1).view(-1)
        img_embeds = mmgpt.prepare_gen_img_embeds(next_token)
        inputs_embeds = img_embeds.unsqueeze(dim=1)
        # 添加顯存清理
        del logits, logit_cond, logit_uncond, probs
        torch.cuda.empty_cache()
    dec = mmgpt.gen_vision_model.decode_code(generated_tokens.to(dtype=torch.int),
                                             shape=[parallel_size, 8, img_size // patch_size, img_size // patch_size])
    dec = dec.to(torch.float32).cpu().numpy().transpose(0, 2, 3, 1)
    dec = np.clip((dec + 1) / 2 * 255, 0, 255)
    visual_img = np.zeros((parallel_size, img_size, img_size, 3), dtype=np.uint8)
    visual_img[:, :, :] = dec
    os.makedirs('generated_samples', exist_ok=True)
    for i in range(parallel_size):
        save_path = os.path.join('generated_samples', f"img_{i}.jpg")
        img = Image.fromarray(visual_img[i])
        img.save(save_path)
generate(
    vl_gpt,
    vl_chat_processor,
    prompt,
)

注意：根據(jù)實際情況，修改model_path，conversation，parallel_size這3個參數(shù)即可。

提示詞是可以寫中文的，不一定非要是英文。

代碼在默認(rèn)的基礎(chǔ)上做了優(yōu)化，否則運行會導(dǎo)致英偉達(dá)5080顯卡直接卡死。

運行代碼，效果如下：

# python image_generation.py

Python version is above 3.10, patching the collections module.
/root/anaconda3/envs/vll-Janus-Pro-7B/lib/python3.12/site-packages/transformers/models/auto/image_processing_auto.py:604: FutureWarning: The image_processor_class argument is deprecated and will be removed in v4.42. Please use `slow_image_processor_class`, or `fast_image_processor_class` instead
  warnings.warn(
Using a slow image processor as `use_fast` is unset and a slow processor was saved with this model. `use_fast=True` will be the default behavior in v4.52, even if the model was saved with a slow processor. This will result in minor differences in outputs. You'll still be able to use a slow processor with `use_fast=False`.
You are using the default legacy behaviour of the <class 'transformers.models.llama.tokenization_llama_fast.LlamaTokenizerFast'>. This is expected, and simply means that the `legacy` (previous) behavior will be used so nothing changes for you. If you want to use the new behaviour, set `legacy=False`. This should only be set if you understand what it means, and thoroughly read the reason why this was added as explained in https://github.com/huggingface/transformers/pull/24565 - if you loaded a llama tokenizer from a GGUF file you can ignore this message.
Loading checkpoint shards: 100%|██████████████████████████████████████████████████████████| 1/1 [00:09<00:00,  4.58s/it]

注意觀察一下GPU使用情況，這里會很高。

RTX 5080顯卡，16GB顯存，幾乎已經(jīng)占滿了。內(nèi)存，大概用了30G左右

不過不要擔(dān)心，大概持續(xù)30秒左右，GPU利用率會瞬間降到3%

等待30秒左右，就會生成一張圖片。

打開小企鵝

進(jìn)入目錄\home\xiao\vllm\Janus\generated_samples

這里會出現(xiàn)一張圖片

打開圖片，效果如下：

效果還算可以，距離真正的8k畫質(zhì)，還是有點差距的。

注意提示詞，盡量豐富一點，生成的圖片，才符合要求。

如果不會寫提示詞，可以讓deepseek幫你寫一段提示詞。

六、答疑解惑

為啥要本地部署？

效果，大家也看到了，生成的圖片不太理想。但是圖片識別能力，還是挺好的。

普通用戶，一般只需要花錢買token就可以了，比如大家熟悉的，即夢，AI 繪蛙，Pic Copilot等等。

對于一個技術(shù)人員來說，人生啊，就是要折騰。

你折騰一番之后，有了成果，就會感到很滿足。

只能生成384x384的圖片嗎？

我有嘗試過，將圖片分辨率擴(kuò)大到800x600，但是發(fā)現(xiàn)圖片看著不正常，明顯被拉伸。

官方給的demo，就只有384x384，為啥呢？我也不知道。可能是因為7b參數(shù)太少了吧，無法生成更高的分辨率。

一次只能生成一張圖片嗎？

官方給的demo，一次能生成16張圖片。但是我的RTX 5080顯卡，完全扛不住。其實生成3張也可以，修改參數(shù)

parallel_size: int = 3

但是運行代碼之后，時間會特別長，大概3分鐘左右。

運行完成之后，你會發(fā)現(xiàn)3張圖片，有概率會出現(xiàn)某張圖片，人物的臉型會出現(xiàn)扭曲，看著很怪異。可能7b對于生成人物不太擅長吧，或者因為7b參數(shù)太少了。

七、硬件購買建議

國家補(bǔ)貼

買電腦，國家最高補(bǔ)貼2000元。

這里要重點說明一下，為了拿這個補(bǔ)貼，我踩了不少坑。

持續(xù)時間

買電腦的國家補(bǔ)貼政策 2024 年就有了，2025 年仍在延續(xù)，按目前政策，補(bǔ)貼持續(xù)到 2025 年 12 月 31 日，但部分補(bǔ)貼資金緊張的地區(qū)可能會提前結(jié)束。

領(lǐng)取方式

在拼多多，京東，淘寶，這些電商頁面，選擇有帶有國家補(bǔ)貼的電腦即可。

注意：并不是所有電腦都有補(bǔ)貼的，只有指定型號才有的。具體型號，以購買頁面為準(zhǔn)。

重點說明一下，一個身份證號，只能領(lǐng)取一次。

啥意思呢，比如你在拼多多領(lǐng)取了補(bǔ)貼，那么就不能在京東使用補(bǔ)貼。如果你想在京東使用補(bǔ)貼，就需要把拼多多的給退掉即可。

地區(qū)限制

這個要重點說明一下，國家補(bǔ)貼是有地區(qū)限制的，并不是每個地區(qū)都有補(bǔ)貼的，基本上一線城市都有。

假如你領(lǐng)取了浙江的補(bǔ)貼，但是你的收貨地址是上海，這種情況是不能使用補(bǔ)貼的。

也就是說，你的收貨地址在哪里，那么你就領(lǐng)取對應(yīng)地方的補(bǔ)貼即可。

假如地區(qū)領(lǐng)取錯了，怎么辦？也簡單，退掉即可。

假如你領(lǐng)取了浙江的補(bǔ)貼，但是你的收貨地址是上海。那么你就隨便寫一個浙江的收貨地址，然后在領(lǐng)取國家補(bǔ)貼頁面，把補(bǔ)貼退掉即可。

最后再次選擇上海地區(qū)，領(lǐng)取補(bǔ)貼。

使用方式

必須使用云閃付支付，微信，支付寶是不支持的。

領(lǐng)取了補(bǔ)貼之后，然后購買商品，選擇云閃付。我基本上都是用支付寶，微信。云閃付都沒用過，也簡單。直接下載云閃付app，然后綁定銀行卡即可。

付款的時候，就可以看到商品價格少了2000塊錢。

注意：補(bǔ)貼使用了之后，資格就沒有了。因為一個身份證，只能用一次。

退貨情況

假設(shè)你購買的電腦有質(zhì)量問題，發(fā)生了退貨情況。但是資格已經(jīng)用了，是否還可以用補(bǔ)貼。答案是可以的，等待商家退款之后，必須要等到第2天，就可以再次領(lǐng)取補(bǔ)貼。

收貨情況

使用國家補(bǔ)貼，快遞人員，需要對電腦進(jìn)行拍照。需要拆除電腦包裝，拍照電腦背面的sn碼，就可以了。

電腦不需要開機(jī)演示

最后，有條件的，就盡快購買吧。因為2000塊補(bǔ)貼，可能到年底就沒了，或者提前結(jié)束，都有可能。

顯卡購買建議

作為一個技術(shù)人員，看到很多博主在本地部署AI大模型，羨慕很。是不是心里癢癢，也想動手玩玩呢？

答案，肯定是想的。為了買游戲本，我本人可是籌備了4個多月，經(jīng)常看頭條各種文章，看看人家買的什么，哪些比較劃算。

對于顯卡，我覺得RTX 5080就足夠了，畢竟有16G顯存。當(dāng)然還有更高端的RTX 5090，顯存有32G，就單獨說這顯卡，售價在2.5w~3.2w之間。

RTX 5090太貴了，買不起。RTX 5080，售價在8299~11999，性價比還是可以的。

RTX 4060顯存8G，太低了，不值得購買。

RTX 4070顯存12G，這個可以考慮一下，我室友買的就是這個。

內(nèi)存購買建議

內(nèi)存建議直接配置64GB，一般游戲本主板最大支持64GB。直接拉滿就對了，因為大模型運行確實比耗費內(nèi)存。

我本以為64GB就是極限了，但是昨天看到一個游戲本，主板最大支持192GB，提供4個插槽。太牛逼了，不服不行。

硬盤購買建議

硬件直接買固態(tài)硬盤，不要買機(jī)械硬盤，太慢了。

對于容量，至少1TB，最好配2TB。我看很多玩3A游戲的博主，直接弄的2TB，索性我就加配置搞到2TB，因為主板有2個硬盤插槽。

現(xiàn)在1TB的固態(tài)硬盤也不貴，600多就搞定了。

2TB硬盤，一個給C盤，一個給D盤。目前D盤已經(jīng)使用了50%，大部分都放虛擬機(jī)了，確實比較耗費磁盤。

最后說一下，人性啊，是很奇怪的。叫你去買tokens，你就很摳。總想著免費，白玩。

叫你去買顯卡，1萬買了，倒是挺爽快的。

然后呢，你就可以24小時，叫顯卡去干活，生成圖片，玩3A游戲都行。

你也不用擔(dān)心，像前段時間deepseek一樣，經(jīng)常宕機(jī)，服務(wù)器繁忙。

顯卡就是你的，你想怎么玩，就怎么玩。我的世界，我做主宰。

?轉(zhuǎn)自https://www.cnblogs.com/xiao987334176/p/18864903

該文章在 2025/5/12 9:40:40 編輯過

關(guān)鍵字查詢

相關(guān)文章

正在查詢...

點晴ERP是一款針對中小制造業(yè)的專業(yè)生產(chǎn)管理軟件系統(tǒng),系統(tǒng)成熟度和易用性得到了國內(nèi)大量中小企業(yè)的青睞。

點晴PMS碼頭管理系統(tǒng)主要針對港口碼頭集裝箱與散貨日常運作、調(diào)度、堆場、車隊、財務(wù)費用、相關(guān)報表等業(yè)務(wù)管理，結(jié)合碼頭的業(yè)務(wù)特點，圍繞調(diào)度、堆場作業(yè)而開發(fā)的。集技術(shù)的先進(jìn)性、管理的有效性于一體，是物流碼頭及其他港口類企業(yè)的高效ERP管理信息系統(tǒng)。

點晴WMS倉儲管理系統(tǒng)提供了貨物產(chǎn)品管理,銷售管理,采購管理,倉儲管理,倉庫管理,保質(zhì)期管理,貨位管理,庫位管理,生產(chǎn)管理,WMS管理系統(tǒng),標(biāo)簽打印,條形碼,二維碼管理,批號管理軟件。

點晴免費OA是一款軟件和通用服務(wù)都免費，不限功能、不限時間、不限用戶的免費OA協(xié)同辦公管理系統(tǒng)。

狠狠色丁香婷婷综合尤物/久久精品综合一区二区三区/中国有色金属学报/国产日韩欧美在线观看 - 国产一区二区三区四区五区tv