Lab Notes
บันทึกงานวิศวกรรม การทดสอบระบบ และ infrastructure ของทีม Redhat AI
- 001 29.09.2026
-
002
24.09.2026
comfyui seed reproducible guide
การได้ภาพเหมือนเดิมทุกครั้งที่เจนใน ComfyUI ต้องกำหนดค่า seed ในโหนด KSampler หรือ EmptyLatentImage ให้เป็นตัวเลขคงที่ และปิดการสุ่มของโหนดอื่นๆ ที่เกี่ยวข้อง เ…
-
003
24.09.2026
ComfyUI ภาษาไทย สอน
ติดตั้ง ComfyUI บนเครื่อง Windows/Linux ผ่าน Python และ Git แล้วรันด้วยคำสั่ง python main.py --listen 0.0.0.0 --port 8188 เปิดเบราว์เซอร์เข้าหน้าเว็บเพื่อลากวาง…
-
004
24.09.2026
สร้าง AI agent ด้วย n8n
n8n คือ workflow automation แบบ self-hosted ที่เราติดตั้งเองบนเครื่อง แล้วต่อ node เชื่อม API ของโมเดล local LLM กับ tool ต่างๆ ทำให้สร้าง AI agent ที่ทำงานตามเ…
- 005 17.09.2026
-
006
08.09.2026
FLUX FP8 与 FP16 VRAM 对比
FLUX FP8 ใช้ VRAM น้อยกว่า FP16 ประมาณ 40-50% ทำให้รันบนการ์ดจอ 16GB ได้ลื่นไหล โดยเสียความละเอียดภาพเล็กน้อย แต่แลกกับความเร็วและเสถียรภาพที่สูงขึ้น เหมาะกับผู…
-
007
08.09.2026
如何在 Mac 上使用 Qwen3
通过 Ollama 在 Mac 上使用 MLX 框架，qwen38-deep 模型需要 21GB RAM 以支持 32k Token 上下文。建议设置别名并检查 KV Cache，以防止模型被自动卸载
-
008
06.09.2026
凌晨五点升级服务器后无法入睡
今天早上我不是被闹钟叫醒的，而是被系统任务队列在 Docker Hub 泪眼朦胧的屏幕上滚动时发出的通知声吵醒的。
-
009
06.09.2026
两张显卡满载运行一整夜
今晚我凌晨五点醒来，不是因为噩梦，而是因为两张 16GB 显卡的风扇在高速运转，几乎像是在为我的家庭实验室生活配乐。那嗡嗡声暗示着系统正在全力进行图像生成和大型模型推理。我走到显示服务器、渲染机和私有存储状态的仪表盘前，屏幕上的数字让我既自豪又隐隐不安。
-
010
05.09.2026
真实基准测试 50 个案例：bomLLM（thai-chat）在质量和速度上均击败 z.ai——来自实验室的完整数据
我们测试了 bomLLM（运行在我们自己机器上的 qwen38 thai-chat 模型）与 z.ai glm-4.5-flash，使用 5 个类别共 50 个真实案例。结果显示 bomLLM 在质量（平均得分 7.24 对 6.02）和速度（p50 = 5.2 秒对 35.1 秒）上均获胜，尤其是在 LINE Q&A…
-
011
05.09.2026
Ollama Mac Mini M4 Pro 安装配置
我在 Mac Mini M4 Pro 上安装 Ollama，本地运行 Qwen38 和 GLM 模型，实测 VRAM 占用与速度。发现 32k 上下文每次测试额外消耗 3GB 内存，附常见网络搜索工具错误排查步骤
-
012
05.09.2026
node ComfyUI แนะนำ
ComfyUI node สำหรับจัดการ GPU หลายตัวพร้อมกัน ช่วยลดเวลารอและเพิ่มประสิทธิภาพการเรนเดอร์ภาพ โดยไม่ต้องรีสตาร์ทเครื่อง ใช้ API สลับ checkpoint อัตโนมัติ ประหยัด …