Эта крошечная ИИ-модель делает то, с чем Apple не справилась — DigUp

Бесплатная локальная модель искусственного интеллекта помогла одному крошечному приложению для Mac найти файлы, которые пропустил Spotlight. DigUp использует алгоритм EmbeddingGemma 2 от Google с 740 миллионами параметров для поиска по смыслу на вашем Mac среди фотографий, PDF-файлов, скриншотов, аудио, видео и кода. Я протестировал его в сравнении со Spotlight на тех же файлах, а затем спрятал 43 фотографии среди 5000 заметок, чтобы посмотреть, насколько хорошо он себя покажет. На 16-гигабайтном MacBook Air M4 DigUp вывел правильный результат первым в 22 из 23 поисков в небольшом смешанном наборе файлов, а затем в 24 из 30 поисков среди 5043 файлов. 28 из этих 30 файлов попали в пятерку лучших. Результаты поиска появились примерно через 122 миллисекунды после последнего ключа, а создание первого индекса заняло 106 секунд. Размер загружаемой модели составляет 865 мегабайт; готовый индекс для 5043 файлов составляет около 15 мегабайт. Тест также выявил ограничения: результаты поиска аудиофайлов могут открываться примерно за 21 секунду до нужного момента, похожие объекты могут путаться, а очень маленькие папки иногда ничего не возвращают. В большом тесте использовались заметки, записи и видео, сделанные нами самими, а также 43 фотографии, поставляемые с macOS. Я не тестировал личный архив или более 5000 файлов, поэтому эти результаты относятся к данному тесту, а не являются гарантией для вашей библиотеки. DigUp — бесплатное приложение с открытым исходным кодом, работающее на Apple Silicon, но ему всего несколько дней. Мы не обнаружили кода, который отправляет ваши файлы или поиск куда-либо, хотя приложение не работает в песочнице, и загруженный бинарный файл не может быть проверен на соответствие исходному коду, который мы изучили. Если вы решите попробовать, подумайте об отключении автоматических обновлений и храните конфиденциальные папки вне песочницы до тех пор, пока приложение не будет работать в песочнице. Разделы 0:00 EmbeddingGemma 2 и DigUp: локальный поиск с использованием ИИ на Mac 0:46 Как EmbeddingGemma 2 выполняет поиск по смыслу 2:29 DigUp против Spotlight: тест с 16 файлами 3:56 Тест с 5043 файлами: 24 из 30 — первые 20 5:39 Производительность Mac: скорость поиска, оперативная память и индексирование 6:53 В чем ошибка DigUp: аудио и небольшие папки 8:22 Является ли DigUp приватным? Что мы обнаружили в коде 9:16 Альтернативы DigUp: Fenn, SCM и Apple Photos 9:56 Стоит ли устанавливать DigUp? Вердикт Ключевые показатели • Модель: Google EmbeddingGemma 2 — 740 миллионов параметров, 865 МБ для загрузки, единое общее пространство поиска для текста, изображений, аудио и видео • Небольшой смешанный тест: 22 из 23 поисков вернули нужный файл первым, среди 16 файлов и 7 типов файлов на английском и турецком языках • Большой тест: 24 из 30 поисков вернули нужный файл первым; 28 из 30 поместили его в пятерку лучших среди 5043 файлов • Поиск: около 122 мс от последнего ключа до результатов на экране; 2–3 мс на сам поиск по индексу • Первый индекс: 106 секунд для 5043 файлов; готовый индекс составил 15,1 МБ • Тестируемый Mac: Apple M4 MacBook Air с 16 ГБ памяти, macOS 27.0.1, DigUp 0.6.0 • Ограничение: результаты поиска аудиофайлов могут быть примерно на 21 секунду раньше; Точность при работе с более чем 5000 файлами и на личном архиве не проверялась. • Совместимость: только Apple Silicon; компьютеры Mac на базе Intel не поддерживаются. В тесте с 5043 файлами использовались 5000 заметок и 43 образца фотографий macOS. Заметки, аудио и видео были созданы специально для теста. Результаты DigUp для небольших и больших наборов данных — это наши собственные измерения на одном Mac, а не независимые результаты бенчмарков. Spotlight тестировался на тех же файлах и запросах. Мы не тестировали Fenn, SCM или форк Windows DigUp, VectorDash. Позволили бы вы новому локальному приложению на основе ИИ индексировать ваши файлы для поиска по смыслу? Что бы вы хотели найти в первую очередь: старый скриншот, строку в PDF-файле или момент в видео? Расскажите мне в комментариях. Подпишитесь на канал Morgans Code, чтобы получать подробные обзоры локальных моделей ИИ, инструментов кодирования, бенчмарков и оборудования для их запуска: https://www.youtube.com/@MorgansCode?... Источники Приложение и исходный код DigUp: https://github.com/ARahim3/DigUp Релиз DigUp v0.6.0: https://github.com/ARahim3/DigUp/rele... Система отслеживания ошибок DigUp: https://github.com/ARahim3/DigUp/issues Карточка модели Google EmbeddingGemma 2: https://huggingface.co/google/embeddi... Сборка EmbeddingGemma 2 GGUF: https://huggingface.co/ggml-org/embed... Анонс Google EmbeddingGemma 2 (6 октября, 2026): https://blog.google/innovation-and-ai... Руководство разработчика Google: https://developers.googleblog.com/emb... Google AI Edge и Foresight: https://developers.googleblog.com/en/... Fenn: h...