個人電腦就能運行，更便宜的Agent要來了

4月2日，來自德國的AI團隊Libra發佈了名為Vibe Agent的智能體產品。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，讓用户可以用更低的成本，例如在本地的蘋果Mac電腦上，就能夠通過自然語言實現人機交互。

Libra團隊致力於Local AI領域，Local AI指在本地設備上運行人工智能，而不需要依賴遠程雲服務器。因為無需支付雲服務費用，對於一些預算有限的個人或企業來説，使用 Local AI 可以節省大量的成本。

在團隊發佈的最新演示中，展示了用户通過自然語言交互，並利用本地算力支持 Agent 進行Long-Horizon 推理，最終完成複雜任務的過程。

和Manus一樣，通過自然語言直接生成的方式簡化了人機交互的流程，讓沒有編程能力的人羣也能使用並滿足需求，為Agent的廣泛應用提供了便利。

但是行業普遍認為，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 計費的 API 服務，長期使用成本或可降低 90% 以上。

技術層面，其採用基於混合精度量化和 Reasoning-Aware 低比特表徵校準技術，將前沿大模型 (QwQ 32B、DeepSeek-R1-70B、Deepseek R1 671B 等) 精準壓縮至符合 Apple 消費級 Silicon 硬件計算架構的 3/4 比特混合精度表徵，並與 Apple MLX 機器學習推理框架無縫融合。

在性能保持方面，將常規 Instruct 類大語言模型性能損失精確控制在 1% 以內，內存需求較 FP16 模式顯著下降 75%+。

為突破本地設備資源限制與模型 Context 窗口制約，同時實現有效的 Token 聚合，Libra 團隊創新性地構建了事件驅動的 Token Vibe Orchestration (TVO) 策略。

Libra 提出一種創新的 Meta Agent-Orchestration (MAO) 框架，該框架針對 Orchestration 場景定製了專用策略智能體，使系統能夠自主推理、預測最佳協作路徑。通過對大量外部工具鏈、前後端即時交互 Context 進行系統化整合。這種設計確保各組件間無縫協作，即使在本地設備資源受限的情況下也能保持高效運行。

Libra 的相關信息發表在GreenBitAI上，該網站致力於推動開源社區的發展，倡導可持續的機器學習理念。

本文系觀察者網獨家稿件，未經授權，不得轉載。