周五项目：@midudev 的 canirun-ai 背后硬件检测模块的可读重写。相同的启发式方法、着色器与规格表——只是换成了描述性名称 + JSDoc。https://t.co/A4Xjb6z7vv

julien-c/canirun.ai

来源：https://github.com/julien-c/canirun.ai

canirun-ai.js

canirun.ai（https://www.canirun.ai/）所用浏览器端硬件检测模块的可读重写——该网站可告诉你当前机器能运行哪些本地 AI 模型。
原始模块以压缩形式发布为 hardware-ui..js。这里是同一份代码，带有描述性名称、分节、JSDoc 以及命名常量，替代了魔法数字。行为、阈值、着色器和规格表均未改变。

功能

1. 读取浏览器所披露的信息：

   • WebGL WEBGL_debug_renderer_info → GPU 厂商 + 渲染器字符串
   • WebGPU adapter.info → 设备 + 架构（可用时）
   • navigator.deviceMemory、navigator.hardwareConcurrency、User-Agent

2. 在设备上执行基准测试：

   • CPU：一个约 30ms 的 sqrt + sin + cos 循环
   • GPU 计算（WebGPU）：FMA 循环 → 估算 GPU 核心数
   • GPU 内存带宽：WebGPU 缓冲区拷贝，WebGL 纹理采样作为回退方案

3. 当 API 被屏蔽或信息模糊时回退到规格表查找：Apple GPU 仅报告 “Apple GPU”；iOS 隐藏所有信息；移动端厂商拒绝暴露适配器信息。包含桌面独立 GPU、Apple Silicon、移动 SoC GPU 和单板计算机的规格表。

4. 评估模型适配度：将模型分类为 can-run、can-run-slow、tight、cannot-run 或 unknown；估算 tokens/秒；计算 0–100 的分数和 S–F 的等级。所有检测均在浏览器本地运行，无需网络请求。

用法

这是一个 ES 模块：

import { detectHardware, scoreModel, describeDevice } from "./canirun-ai.js";

const hw = await detectHardware();
console.log(describeDevice(hw), hw);

// 评分一个 7B 模型，大约需要 4.5 GB 内存
const result = scoreModel(4.5, hw, 4.5);
console.log(result); // { status, toksPerSec, memPct, score, grade }

致谢

原作者为 midudev（https://midu.dev）。本仓库是为教育目的进行的代码可读性重写；其中的方法、启发式方法和规格表均为他的工作。