TechMoon 科技月球
WordPress、SEO 與 AI 工具實測指南
HobbyLM-1B 開源離線操作 Mac，把電腦代理縮成十個動作
Fuel Labs 開源 HobbyLM-1B Computer Use：14MB LoRA 附加權重掛上自家 10.4 億參數 MoE 小模型，在 MacBook Air 用 Apple MLX 離線把英文指令變成十種固定 Mac 操作，從計算機、亮度、計時器到確認後寫入行事曆。0.26 秒是 262 個決策回放的中位數、實機均值 0.81 秒，13 倍提速橫跨框架與版本兩個變數；模型卡同時公布四輪封存測試 72% 完成率與兩條未達標的預註冊門檻，商用前還要看計算機元件的 BSL 授權邊界。
用 AI 摘要這篇文章：
想把「幫我開個資料夾」「設個七分鐘計時器」這種小事交給 AI，目前的主流答案是雲端代理：月付訂閱、指令送上伺服器、模型再看著螢幕截圖決定下一步。10 月 23 日傍晚到晚間（台北時間），自稱獨立 AI 研究室的 Fuel Labs 在 Hugging Face 發布了另一種答案：HobbyLM-1B Computer Use，一個總量約 10.4 億參數的小模型，掛上 14MB 的附加權重後，直接在 MacBook Air 上把英文指令變成 Mac 操作，全程不連網。宣布貼文裡最受矚目的一句話是：Wi-Fi 關掉，模型照樣從聯絡資訊裡找到人名、算出是哪個週日、照時區設好時間，問一次 y/n，就把行程加進行事曆。
同一段展示裡還有一串更日常的指令：「600 分給四個人」打開計算機算出 150、「螢幕太暗」調高亮度、「聲音太刺把它關小一點」降音量、「開深色模式」、「我需要記點東西」開備忘錄、「七分鐘煮蛋計時」、「抓個截圖」存到桌面。唯一的拒絕示範是問明天天氣，模型回「這件事我離線做不了」。
它不是第一個號稱會操作電腦的代理。Cursor 讓代理改完程式後自己操作電腦驗收，走的正是把整台機器交給模型的路線。HobbyLM-1B Computer Use 反其道而行：把模型能寫出的動作限死在十個，把基底模型的聰明程度降到最低需求，再把所有測試紀錄連模型一起公開。這份發布真正值得看的，是它把幾個行銷數字背後的量法全部攤開了。
十個動作寫死的邊界，換來小模型的可靠度
整個系統分兩層。底層是 Fuel Labs 自家訓練的 HobbyLM-1B Instruct：稀疏混合專家架構（MoE），64 個專家裡每個 token 只啟用 8 個，總參數 1.037B、實際動用約 3 億；連 MMLU 都只拿 24.78 分、貼近四選一猜測值，是個不靠聰明取勝的小底盤。它在自家模型卡上有幾個很硬的條件：只吃 float32 精度（把路由器換成 bf16 會改變選中的專家）、上下文 4,096 token、透過 transformers 載入時要開 trust_remote_code。上層是一個 LoRA 附加權重（Low-Rank Adaptation，只訓練插在原模型上的小矩陣、不動原始權重），rank 16、覆蓋 83 個模組，MLX 版本佔 14MB。訓練時基底全部凍結，連專家路由器都不更新，損失只算在動作 token 上。
模型每一輪只做一件事：讀使用者的請求和 Mac 當下狀態（計算機顯示、前景 App、亮度、音量、外觀），然後從固定詞彙表裡寫出「下一個動作」。這份詞彙表在發布的原始碼裡逐字可查：開啟計算機、備忘錄、行事曆等六款 App；在計算機裡打字；亮度與音量五個按鍵；深色模式開關；打開下載、桌面、文件三個固定資料夾；設計時器；截圖；新增行事曆事件；結束（DONE）與拒答（UNKNOWN）。一次任務最多六步，模型寫 DONE 才算完成。
模型卡附了一段實錄，看得出每一秒花在哪裡。使用者說「600 分給四個人」，0.3 秒後模型寫下「開計算機」，系統回報「計算機已開啟」；再 0.3 秒寫下「輸入 600/4=」，系統回報「顯示從 0 變成 150」；再 0.2 秒寫 DONE，任務結束。算術是計算機算的，模型只負責決定按哪些鍵，這也是它敢用小模型的原因之一。
執行前還有一道閘：動作先經允許清單驗證，不在清單上就拒絕執行。會動到對外通訊的只有行事曆一項：事件會完整列出標題、日期、時間、時區與受邀者，使用者按了 y 才真正寫入，而且只有指令裡點名的人才會被邀請。若事件帶 email 地址，邀請函由使用者自己選的行事曆帳號發出，模型離線與否和這封信無關。時間的處理也有明確規則：指令沒指名時區時，用 Mac 自己的時區；指名了（例如 IST），就照指名的換算。
「whatsapp 某人說晚餐八點」「明天天氣如何」這類請求，模型的標準答案是 UNKNOWN，回一句「這件事我離線做不了」。範圍外的請求被當成一種要練習的技能在訓練，不是故障。
兩天四輪訓練，合計一張 H100 的六十分鐘
發布的測試紀錄顯示，這套能力是 10 月 20 日到 21 日兩天內分四輪練出來的。每輪都從基底模型出發，訓練素材是合成的「狀態加請求，配下一個正確動作」單步決策，總計 26,469 筆；每輪各用一張 NVIDIA H100，加起來正好 60 分鐘。
| 輪次 | 加入的能力 | 訓練樣本 | H100 分鐘 | 封存測試成績 |
|---|---|---|---|---|
| 1 | 計算機、亮度、音量、深色模式、App、資料夾、計時器、截圖、拒答 | 4,712 | 11.2 | 61 / 95 |
| 2 | 數字口語、語序變化、時長換算、約 660 筆近似拒答 | 6,280 | 10.7 | 67 / 95 |
| 3 | 行事曆事件 1,200 筆、拒答再平衡 | 7,568 | 23.8 | 80 / 107 |
| 4 | 行事曆 1,800 筆（email 逐字、日期口語、小時換分鐘） | 7,909 | 14.3 | 90 / 125 |
未訓練的基底模型在第一輪那套 95 題的封存測試上是 0 分，第四輪 90 分，中間每一輪的分數檔案都放在儲存庫的 validation 資料夾裡。要注意四輪用的是四份不同的測試題（95、95、107、125 題），分數不能直接橫比；模型卡另外把第三輪與第四輪放在同一份第四輪題目上重跑，才是同基準的比較。每輪的測試都是新寫的、訓練前用 sha256 指紋封存，出題者依官方說法是另一個模型 Grok，字集與測試題相似度超標的訓練樣本會被剔除，四輪分別剔掉 788、920、532、791 筆。用過的題目也沒有藏起來：退役題組放在 data 資料夾，email 換成 example.com 後隨模型一起發布。這些防洩題措施屬官方自述，但對應的檔案確實可自行對帳。模型卡署名 Hariharan 與 Prabhurajhan 兩位開發者，宣布貼文的作者還特別把實作功勞歸給搭檔 Hariharan。
72% 完成率旁邊，寫著兩條沒過的門檻
第四輪 125 題完成 90 題、約 72%，這是發布的頭條數字。但模型卡把沒過的門檻也寫在同一頁：事先登記的兩條及格線，凍結門檻要求每項技能各自達標（計算機 90%、拒答 80%、其餘 85%），結果只有拒答一項過關；擁有者自設的 75% 門檻也只有 App、資料夾、拒答三項越過。換句話說，團隊自己登記的目標一條都沒有全部達成，發布時照樣把測試 JSON 裡的兩個 false 原樣公開。逐項成績如下。
| 技能（第四輪封存測試） | 完成數 |
|---|---|
| 拒絕範圍外請求 | 14 / 16 |
| 開資料夾 | 5 / 6 |
| 開 App | 8 / 10 |
| 亮度、音量、靜音 | 11 / 15 |
| 行事曆事件 | 21 / 30 |
| 深色模式 | 4 / 6 |
| 計算機乾淨完成（正規表示式基線 5/30） | 20 / 30 |
| 計時器 | 5 / 8 |
| 螢幕截圖 | 2 / 4 |
截圖一半失敗、計時器 5/8、計算機 20/30，都是會讓日常使用卡住的成績。手寫正規表示式基線在計算機題組只拿 5/30，模型拿 20/30，模型確實學到了比字串比對更多的東西。但把第三輪和第四輪放在同一份測試上比較，總分 85 進步到 90 的同時，計算機從 22 退到 20、計時器從 6 退到 5，行事曆從 14 漲到 21。14MB 的容量裡，新技能是擠進來的，不是免費加上去的。
模型卡甚至標明了事後補算的界線：在模型輸出上外加程式碼交叉檢查後，行事曆可以補到 27/30，但這段檢查是第四輪跑完之後才寫的，頭條數字仍以模型單獨的 21/30 為準。交叉檢查的內容寫得很白：email 必須逐字來自原句、明講的上午下午優先、日期只從句子裡取、只邀請被點名的人。
拆開 0.26 秒與 13 倍的量法
宣布貼文裡的「3.4 秒進步到 0.26 秒、快 13 倍」，在模型卡的速度章節有完整的量測條件。0.26 秒是第四輪實測全部 262 個決策、逐一回放到發布版執行環境後的中位數，只計模型時間；九成決策在 0.72 秒內，最慢一個 6.9 秒。回放時沒有 App 在旁邊啟動，原始實測紀錄裡每個決策的平均是 0.81 秒。日常使用體感會落在哪個數字，取決於當下 Mac 在忙什麼。
13 倍的分子分母則各自帶著一個變數：3.4 秒來自 PyTorch 執行第一輪附加權重，0.26 秒來自 MLX 執行第四輪附加權重。框架換了、版本也換了，兩個執行環境的決策一致率 203/203 是拿第一輪附加權重量測的。提速主要來自 KV 快取與 Apple MLX 執行環境。所謂提示階段是模型讀完請求與機器狀態的那一段，每秒約 1,857 token，是 PyTorch 的九倍多；生成階段是模型寫出動作的那一段，固定輸出 48 token 的量法下每秒約 47 token。
任務類型也會改變數字。行事曆決策要寫的內容長（平均輸出 9.8 個 token，其他動作只有 3 個），中位數落在 0.38 秒、最慢約 1.4 秒；非行事曆決策的中位數是 0.24 秒。
這些條件不代表數字灌水，回放與實測的每個決策輸出完全一致，而是代表比較前要先對齊口徑：拿別家代理的端對端完成時間跟 0.26 秒比，或拿雲端大模型的單步延遲跟 0.81 秒比，都不是同一道題。
商用前要看的三層授權
授權分成三層，邊界比一般開源發布清楚。附加權重與全部程式碼是 Apache-2.0；基底模型保留自己的授權條款（Hugging Face 上標示同為 Apache-2.0）；真正要注意的是計算機打字這一條路，它經過 Mediar 的 mcp-server-macos-use 元件，授權是 Business Source License 1.1：生產用途僅限非商業與教育，2028 年 4 月 9 日起自動轉為 MIT，在那之前商用需另向 Mediar 取得授權。其餘九個動作都是直接呼叫 macOS，不經過這個元件。
想實際跑它，條件是 Apple Silicon 的 Mac、macOS 14 以上、Python 3.10 到 3.13 與 Xcode 命令列工具。流程是四行指令：用 huggingface_hub 把整個儲存庫下載到本機、執行 setup.sh 建立固定版本的虛擬環境（它會抓基底模型、MLX 執行環境、建置上述 BSL 元件、編譯讀取亮度與計算機顯示的 Swift 小工具），然後跑 hobby_demo.py 進入展示。安裝腳本第一次執行時需要網路，完成之後才進入純離線。指令只支援英文，模型卡特別註明包含印度英語的口語用法；權限上 macOS 的輔助使用要在系統設定裡自己授予（程式啟動時會檢查），行事曆與聯絡資訊則預設關閉，要用環境變數明確打開並指定要寫入的行事曆。
v0.1 的位置：可審計的最小實作，不是通用代理
截至 10 月 25 日，這個模型發布兩天，Hugging Face 上 25 個讚、下載 78 次，宣布貼文約 2.5 萬次觀看，都還很小。基底模型那一側倒是已經有完整生態：官方提供線上展示、GGUF 與 MLX 版本，GitHub 上還有搭配的 Windows App，但那些都屬於 HobbyLM-1B 聊天模型專案，不是這次電腦操作版本的一部分。它不做通用代理的事：不能操作任意網站、不能讀文件內容、沒有中文指令，範圍就到那十個動作。模型卡也直說不該用於安全、財務與醫療決策。
把它放回本機代理這條線上看，位置反而清楚：Coworker把整理檔案的桌面代理跑在使用者機器上，Skales把多代理轉向收在本機助理裡，macOS 上的語音聽寫工具 Input 0則把轉錄留在本機。HobbyLM-1B Computer Use 補上的是最薄的一層：固定動作的電腦操作，附完整的訓練與測試帳本，成本低到任何人都可重訓一次來驗證。對開發者，它是把「動作空間縮小換可靠度」這個設計攤在檯面上的樣本；對一般使用者，等它長出中文與更多動作之前，先看看就好。後續版本的分數與授權是否變動，以模型卡與 validation 資料夾的最新內容為準。
