4月2日，來自德國的AI團(tuán)隊Libra發(fā)布了名為Vibe Agent的智能體產(chǎn)品。該智能體最大的特色是依靠低位（low-bit)人工智能模型提供底層支持，讓用戶可以用更低的成本，例如在本地的蘋果Mac電腦上，就能夠通過自然語言實現(xiàn)人機(jī)交互。
Libra團(tuán)隊致力于Local AI領(lǐng)域，Local AI指在本地設(shè)備上運(yùn)行人工智能，而不需要依賴遠(yuǎn)程云服務(wù)器。因為無需支付云服務(wù)費(fèi)用，對于一些預(yù)算有限的個人或企業(yè)來說，使用 Local AI 可以節(jié)省大量的成本。
在團(tuán)隊發(fā)布的最新演示中，展示了用戶通過自然語言交互，并利用本地算力支持 Agent 進(jìn)行Long-Horizon 推理，最終完成復(fù)雜任務(wù)的過程。
和Manus一樣，通過自然語言直接生成的方式簡化了人機(jī)交互的流程，讓沒有編程能力的人群也能使用并滿足需求，為Agent的廣泛應(yīng)用提供了便利。
但是行業(yè)普遍認(rèn)為，單次使用 Manus 要消耗約 1000k Token，起步 2 美元，成本高昂。Vibe Agent無需依賴按 Token 計費(fèi)的 API 服務(wù)，長期使用成本或可降低 90% 以上。
技術(shù)層面，其采用基于混合精度量化和 Reasoning-Aware 低比特表征校準(zhǔn)技術(shù)，將前沿大模型 (QwQ 32B、DeepSeek-R1-70B、Deepseek R1 671B 等) 精準(zhǔn)壓縮至符合 Apple 消費(fèi)級 Silicon 硬件計算架構(gòu)的 3/4 比特混合精度表征，并與 Apple MLX 機(jī)器學(xué)習(xí)推理框架無縫融合。
在性能保持方面，將常規(guī) Instruct 類大語言模型性能損失精確控制在 1% 以內(nèi)，內(nèi)存需求較 FP16 模式顯著下降 75%+。
為突破本地設(shè)備資源限制與模型 Context 窗口制約，同時實現(xiàn)有效的 Token 聚合，Libra 團(tuán)隊創(chuàng)新性地構(gòu)建了事件驅(qū)動的 Token Vibe Orchestration (TVO) 策略。
Libra 提出一種創(chuàng)新的 Meta Agent-Orchestration (MAO) 框架，該框架針對 Orchestration 場景定制了專用策略智能體，使系統(tǒng)能夠自主推理、預(yù)測最佳協(xié)作路徑。通過對大量外部工具鏈、前后端即時交互 Context 進(jìn)行系統(tǒng)化整合。這種設(shè)計確保各組件間無縫協(xié)作，即使在本地設(shè)備資源受限的情況下也能保持高效運(yùn)行。
Libra 的相關(guān)信息發(fā)表在GreenBitAI上，該網(wǎng)站致力于推動開源社區(qū)的發(fā)展，倡導(dǎo)可持續(xù)的機(jī)器學(xué)習(xí)理念。
本文系觀察者網(wǎng)獨(dú)家稿件，未經(jīng)授權(quán)，不得轉(zhuǎn)載。
熱門跟貼