اجرای هوش مصنوعی روی رایانه خودتان: مدل‌های محلی، سخت‌افزار و حدود حریم خصوصی

اجرای محلی هوش مصنوعی یعنی چه؟

اجرای محلی یک مدل زبانی یعنی محاسبات مدل روی رایانه‌ای انجام می‌شود که در کنترل کاربر است، نه روی سرویس استنتاجِ یک ارائه‌دهنده دوردست. پس از آنکه فایل‌های مدل و محیط اجرا (runtime) فراهم شد، گفت‌وگوی محلی می‌تواند بدون اتصال به اینترنت کار کند. LM Studio می‌گوید کارکردهای اصلی آن، از جمله گفت‌وگوها، گفت‌وگو با اسناد و سرور محلی، همین که مدلی موجود باشد به اتصال نیاز ندارد. ^[1]

این تعریف دقت می‌خواهد. «محلی» می‌گوید استنتاج کجا انجام می‌شود، نه اینکه همه بخش‌های روند کار کجا رخ می‌دهد. جست‌وجوی مدل، دانلود فایل‌های مدل، بررسی به‌روزرسانی، استفاده از یک گزینه ابری یا فراخوانی یک ابزار دوردست همچنان می‌تواند ترافیک شبکه بفرستد. LM Studio به‌صراحت جست‌وجوی مدل، دانلود مدل‌های تازه، دانلود محیط‌های اجرا و بررسی به‌روزرسانی را در شمار عملیات‌های نیازمند اتصال می‌آورد. ^[1] یک چیدمان فقط به همان اندازه محلی است که تک‌تک اجزا و تنظیمات شبکه آن محلی باشد.

اجرای محلی فایده‌های عملی دارد. می‌تواند هنگام قطعی کار کند، از هزینه‌های سرویس میزبانی‌شده به ازای هر پرامپت بپرهیزد و، وقتی برنامه برگزیده برای استفاده محلی پیکربندی شده باشد، پرامپت‌های معمولی و اسناد پیوست‌شده را روی رایانه نگه دارد. ^[1][4] هزینه‌هایی هم دارد: فایل‌های مدل ممکن است حجیم باشد، کیفیت پاسخ‌ها متغیر است، سخت‌افزار ممکن است کند باشد و مسئولیت به‌روزرسانی‌ها، دانلودها، ذخیره‌سازی و کنترل‌های دسترسی بر دوش کاربر می‌افتد.

هدف نخستِ معقول فروتنانه است: اجرای یک مدل کوچک، روی یک رایانه، از راه یک برنامه محلی، با متن آزمایشیِ غیرحساس. این کار سخت‌افزار، محیط اجرا و قالب فایل را پیش از آنکه پای اسناد مهم به میان آید می‌آزماید. همچنین تشخیص این را آسان‌تر می‌کند که محدودیت از مدل است، از طول زمینه، از حافظه موجود یا از پیکربندی برنامه.

با کدام برنامه هوش مصنوعی محلی باید شروع کرد؟

برای تجربه گرافیکی روی دسکتاپ، LM Studio نقطه شروعی سرراست است. Hugging Face آن را برنامه‌ای دسکتاپی برای دانلود، اجرا و آزمودن مدل‌های محلی توصیف می‌کند که رابط گرافیکی، مرورگر مدل و ابزارهای توسعه‌دهنده دارد. این برنامه از راه یکپارچگی‌های برنامه‌های محلی در Hub از فایل‌های سازگار GGUF و MLX پشتیبانی می‌کند. ^[4]

برای روند کاری خط فرمان و یک سرویس محلی ساده، Ollama گزینه‌ای رایج است. Hugging Face، Ollama را برنامه‌ای توصیف می‌کند که مدل‌های زبانی را با رابط خط فرمانِ ساده به‌صورت محلی اجرا می‌کند و سازگاری با GGUF را برای آن ذکر می‌کند. Ollama برای macOS، Linux و Windows نسخه دانلودی ارائه می‌کند. ^[3][4] صفحه دانلود آن همچنین مدل‌هایی را که محلی اجرا می‌شوند از مدل‌های ابری که روی سرورهای Ollama اجرا می‌شوند جدا می‌کند، پس یک روند کاری فقط زمانی محلی است که مدلی محلی برگزیده شده باشد. ^[3] از این رو Ollama زمانی مناسب است که کسی بخواهد مدل را در یک اسکریپت یا برنامه محلی به کار بگیرد، نه اینکه فقط از پنجره گفت‌وگو استفاده کند.

برای کاربران Apple silicon که کنترل سطح پایین‌تری می‌خواهند، MLX-LM مسیر ویژه Apple است. Apple، MLX را چارچوب آرایه‌ای متن‌باز خود برای Apple silicon توصیف می‌کند و می‌گوید MLX-LM می‌تواند مدل‌های زبانی را بارگذاری، اجرا، کوانتیزه و تنظیم دقیق (fine-tune) کند. MLX-LM Server آن یک رابط محلیِ سازگار با OpenAI در دسترس می‌گذارد. ^[5] این برای توسعه‌دهندگان سودمند است، اما برای نخستین آزمایش معمولاً برنامه گرافیکی ساده‌تر است.

برنامه‌ای را فقط به این دلیل که نام یک مدل در کاتالوگش آمده برنگزینید. قالب فایل و محیط اجرا اهمیت دارد. Hugging Face یادآوری می‌کند که یکپارچگی صفحه مدل آن فقط جایی برنامه محلی را نشان می‌دهد که مدل سازگار باشد؛ برای نمونه، GGUF با llama.cpp یا Ollama، GGUF یا MLX با LM Studio، و مدل‌های تولید متن MLX با MLX LM. ^[4] قالبی از مدل را برگزینید که اجراکننده برگزیده‌تان واقعاً از آن پشتیبانی می‌کند.

یک قاعده عملی این است: هنگام یادگیری رابط گرافیکی (GUI) را برگزینید، وقتی خودکارسازی اهمیت دارد اجراکننده محلیِ خط فرمان را برگزینید و هنگام ساختن یا سرویس‌دهی یک برنامه، چارچوب استنتاج را برگزینید. این دسته‌ها هم‌پوشانی دارند، پس به‌جای آنکه آن‌ها را انتخاب‌های ایدئولوژیکِ رقیب بدانید، خودِ روند کاریِ مورد نظر را بیازمایید.

برای اجرای یک مدل محلی چه سخت‌افزاری لازم است؟

حافظه موجود نخستین قید است. وزن‌های مدل باید در کنار سیستم‌عامل، محیط اجرا، زمینه پرامپت و حافظه کاری موقت جا شود. ممکن است مدلی از نظر فنی بارگذاری شود و باز هم به‌شکل آزاردهنده‌ای کند باشد یا وقتی زمینه درخواستی بلندتر می‌شود از کار بیفتد. با مدلی کوچک‌تر از بیشینه نظری دستگاه شروع کنید و سپس، پیش از دانلود مدلی بسیار بزرگ‌تر، سرعت پاسخ و فشار حافظه را اندازه بگیرید.

حجم فایل هشداری سودمند است، نه پاسخی کامل. کارت مدل Qwen3.8-27B از Qwen برای مدل زبانی ۲۷ میلیارد پارامتر ذکر می‌کند (خلاصه فایل‌ها در صفحه Hugging Face وزن‌های ذخیره‌شده را به ۲۸ میلیارد پارامتر گرد می‌کند)، در حالی که شکلِ دانلودشده مدل و کوانتیزه‌سازی تعیین می‌کند چه مقدار فضای ذخیره‌سازی و حافظه لازم است. ^[6] تا ۱۱ نوامبر ۲۰۲۶، برچسب‌های Qwen3.8 27B که Ollama فهرست کرده، بسته به نوع نمایش عددی، از ۱۸ گیگابایت تا ۵۶ گیگابایت است. ^[8] رقم ۱۸ گیگابایت وعده‌ای نیست که رایانه‌ای با ۱۸ گیگابایت حافظه آن را به‌راحتی اجرا کند، زیرا زمینه، محیط اجرا و سیستم‌عامل نیز حافظه مصرف می‌کنند.

Kimi K3.1 Pro نشان می‌دهد چرا «وزن باز» به معنای «مناسب لپ‌تاپ» نیست. کارت مدلِ ناشر آن مدلی از نوع آمیزه خبرگان (mixture-of-experts) با ۲٫۸ تریلیون پارامتر، ۱۰۴ میلیارد پارامتر فعال‌شده و پنجره زمینه یک‌میلیون‌توکنی را توصیف می‌کند. ^[7] این کارت هیچ نیازمندی‌ای برای حافظه یا پردازنده گرافیکی (GPU) ذکر نمی‌کند و موتورهای استنتاج vLLM، SGLang و TokenSpeed را توصیه می‌کند. ^[7] این مقیاسی بسیار متفاوت با یک مدل محلی جمع‌وجور است. وجود فایل‌های قابل دانلود مدرکی نیست که رایانه شخصی معمولی بتواند مدل را به‌شکلی سودمند به‌صورت محلی اجرا کند.

در Apple silicon، ظرفیت کل حافظه سقف عملی است. Apple روندهای کاری سرور MLX-LM را روی Mac نمایش می‌دهد و یادآوری می‌کند که حتی دستگاهی با ۵۱۲ گیگابایت RAM ممکن است برای برخی مدل‌ها کوچک باشد؛ در نشست ژوئن ۲۰۲۶ خود می‌گوید تازه‌ترین مدل DeepSeek فقط برای وزن‌ها به بیش از ۸۰۰ گیگابایت حافظه نیاز دارد و برای موارد بزرگ‌تر، پخش کردن یک مدل میان چند Mac را شرح می‌دهد. ^[5] این زیرساختی پیشرفته است، نه نیازِ معمول یک تازه‌کار.

پردازنده گرافیکی توانمند استنتاج محلی را سریع‌تر می‌کند: صفحه دانلود Ollama می‌گوید مدل‌های بزرگ روی رایانه‌ای که GPU قوی ندارد کندند، در حالی که Hugging Face، llama.cpp را بهینه‌شده برای هر دوی CPU و GPU توصیف می‌کند، پس اجرا فقط با پردازنده مرکزی (CPU) برای مدل‌های به‌اندازه کافی کوچک و با انتظارات فروتنانه همچنان ممکن است. ^[3][4] انتخاب سخت‌افزار باید از کار واقعی آغاز شود: پیش‌نویس‌نویسی خصوصیِ گاه‌به‌گاه، جست‌وجوی محلی در اسناد، کمک به برنامه‌نویسی یا سرویس‌دهی به چند نفر هر کدام زمان پاسخ و مقیاس مدل متفاوتی می‌خواهد. سخت‌افزار را فقط بر پایه شمار پارامترها نخرید.

مدل محلی را چگونه باید انتخاب کرد؟

پیش از انتخاب بر پایه محبوبیت در اینترنت، بر پایه کار، مجوز، قالب و تناسب با سخت‌افزار انتخاب کنید. یک مدل دستورپذیر کوچک شاید برای پیش‌نویس‌نویسی، خلاصه کردن یادداشت‌های غیرحیاتی و خودکارسازی محلیِ پایه بسنده باشد. مدل بینایی-زبانی شاید زمانی به کار بیاید که تصویر بخشی از کار است. مدل بزرگ‌تر شاید برخی کارها را بهتر کند، اما حافظه، فضای ذخیره‌سازی، برق و زمان بیشتری می‌خواهد. به‌جای اعتماد صرف به یک جدول رده‌بندی، همان پرامپت کوتاه و یک آزمون با پاسخِ معلوم را روی مدل‌های نامزد بیازمایید.

Qwen3.8-27B یکی از نمونه‌های کنونی است که مسیرهای روشنی برای توزیع محلی دارد. کارت رسمی مدل آن را مدل بینایی-زبانیِ بومی با ۲۷ میلیارد پارامتر توصیف می‌کند، صفحه Hugging Face به کوانتیزه‌شده‌هایی برای استفاده در llama.cpp، Ollama و LM Studio پیوند می‌دهد و کتابخانه خودِ Ollama نیز این مدل را فهرست می‌کند. ^[6][8] این موضوع آن را فقط برای سخت‌افزاری نامزد می‌کند که بتواند کوانتیزه‌سازی و زمینه برگزیده را در خود جا دهد. ادعاهای کارت مدل درباره توانایی‌ها اظهارات ناشر است، نه تضمینی که برای خواننده‌ای مشخص پاسخ درست تولید خواهد کرد.

Kimi K3.1 Pro نمونه مدلی است که باید پیش از دانلود، بررسی مقیاس را به یاد بیاورد. کارت مدل آن را وزن‌باز و چندوجهی می‌نامد، اما همچنین معماری‌ای با ۲٫۸ تریلیون پارامتر در مجموع و نام مجوزی اختصاصی، نه Apache 2.0، را ذکر می‌کند. ^[7] کاربر باید پیش از این فرض که می‌توان آن را محلی به کار برد، بازتوزیع کرد یا استفاده تجاری کرد، مجوز و یادداشت‌های استقرار را بخواند. پرآوازه بودن، آن را به نخستین مدل محلیِ مناسب تبدیل نمی‌کند.

کوانتیزه‌سازی (quantization) یعنی ذخیره یا محاسبه با دقت عددی کمتر تا اجرای مدل آسان‌تر شود. می‌تواند مصرف دیسک و نیاز به حافظه را بسیار تغییر دهد، اما ممکن است بر کیفیت خروجی، سرعت یا قابلیت‌های پشتیبانی‌شده نیز اثر بگذارد. برای نمونه، برچسب‌های q4_K_M، q8_0 و bf16 از همان مدل Qwen3.8 27B در Ollama با حجم ۱۸ گیگابایت، ۳۰ گیگابایت و ۵۶ گیگابایت فهرست شده‌اند. ^[8] پس دو دانلود که به نام یک مدل پایه خوانده می‌شوند ممکن است نیازمندی‌های متفاوتی داشته باشند. هنگام مقایسه نتایج، مخزن دقیق مدل، بازنگری (revision)، کوانتیزه‌سازی و محیط اجرا را ثبت کنید.

هیچ مدلی را بدون مشخص بودن کار «بهترین» ننامید. برای پیش‌نویس یادداشت به‌صورت آفلاین، مدلی که پایدار است و به‌راحتی جا می‌شود می‌تواند از مدل بزرگ‌تری که مرتب حافظه کم می‌آورد بهتر باشد. برای کمک به کدنویسی، آن را با زبان برنامه‌نویسی و سبک پروژه‌ای که واقعاً به کار می‌رود بیازمایید. برای اسنادی که اطلاعات شخصی یا حرفه‌ای دارند، نخست راستی‌آزمایی کنید که برنامه محلی می‌ماند و مدل از راه یک رابط ابری مسیردهی نمی‌شود.

چگونه می‌توان اجرای مدل محلی را ایمن آغاز کرد؟

نخست، یک اجراکننده را از سایت رسمی آن یا از منبع بسته‌ای مورد اعتماد نصب کنید. فایل اجرایی یا بسته مدل را از پیوندی ناآشنا در یک گفت‌وگو، توضیحات ویدیو یا آگهی دانلود نکنید. Ollama دانلودهای پشتیبانی‌شده خود را در صفحه دانلود خودش عرضه می‌کند و Hugging Face کاربران را از راه صفحه‌های مدل سازگار و یکپارچگی‌های برنامه‌های محلی راهنمایی می‌کند. ^[3][4]

دوم، مدلی کوچک در قالبی برگزینید که آن اجراکننده پشتیبانی می‌کند. آن را از راه اتصالی که به آن اعتماد دارید دانلود کنید و سپس ناشر، نام دقیق مدل، بازنگری، مجوز و حجم فایل را یادداشت کنید. این سابقه مهم است، چون نام مدل‌ها اغلب برای تبدیل‌ها و کوانتیزه‌شده‌های ساخته جامعه کاربران دوباره به کار می‌رود. اگر فایلی از ناشر یا از نگه‌دارنده شناخته‌شده یک تبدیل نیست، پیش از اجرا آن را با دقت راستی‌آزمایی کنید.

سوم، نخستین سرور را محدود به خودِ رایانه نگه دارید. LM Studio می‌گوید سرور محلی آن می‌تواند به localhost یا به یک شبکه محلی سرویس بدهد و Apple، MLX-LM Server را با نشانی محلی نمایش می‌دهد. ^[1][5] سرورِ شبکه محلی برای دستگاه‌های دیگرِ آن شبکه در دسترس است؛ این وضعیت امنیتی‌ای متفاوت با localhost است. API یک مدل را صرفاً برای اینکه گوشی یا رایانه دیگری وصل شود در معرض اینترنت عمومی نگذارید.

چهارم، با پرامپت‌های بی‌خطر بیازمایید. ببینید آیا مدل از یک دستور ساده پیروی می‌کند، از پس زبان مورد نظر برمی‌آید و در برابر پرسشی با پاسخِ معلوم امتناع می‌کند یا دچار توهم می‌شود. مدل‌های محلی می‌توانند با اطمینان اطلاعات جعل کنند. برای تصمیم‌های مربوط به سلامت، حقوق، امور مالی، ایمنی یا امنیت، به‌جای آنکه خروجی هر مدلی را پاسخ نهایی بدانید، از منابع معتبرِ روزآمد و در صورت لزوم از کمک افراد صاحب‌صلاحیت بهره بگیرید.

پنجم، تنها پس از آن به گفت‌وگو با اسناد یا خودکارسازی فکر کنید. LM Studio می‌گوید اسنادی که محلی پردازش می‌شوند روی دستگاه می‌مانند، اما این گفته درباره قابلیت محلی‌ای صدق می‌کند که در مستنداتش شرح داده شده است. ^[1] پیش از آنکه مطالب حساس را وارد کنید، هر ابزار، افزونه، نقطه پایانی دوردست و گزینه ابری را که در چیدمان واقعی فعال است مرور کنید.

آیا هوش مصنوعی محلی خصوصی و آفلاین است؟

می‌تواند از فرستادن هر پرامپت به سرویسی میزبانی‌شده خصوصی‌تر باشد، اما خودبه‌خود از هر جهت خصوصی نیست. LM Studio می‌گوید پس از دانلود مدل، گفت‌وگوهای محلی و پردازش محلی اسناد از دستگاه بیرون نمی‌رود. سیاست حریم خصوصی آن نیز می‌گوید شرکت با گفت‌وگوها و اسناد سروکاری ندارد، مگر وقتی کاربر سرویس‌های ابری را انتخاب کند. ^[1][2] این گفته‌ها برای همان محصول و همان پیکربندی سودمند است، نه تضمینی فراگیر برای همه برنامه‌ها، افزونه‌ها یا سرویس‌های سیستم‌عامل.

دانلود مدل رویدادی شبکه‌ای است. بسیاری از جست‌وجوهای کاتالوگ و بررسی‌های به‌روزرسانی نیز چنین است. LM Studio این محدودیت‌ها را به‌صراحت مستند می‌کند و سیاست حریم خصوصی آن می‌گوید بررسی‌های به‌روزرسانی اطلاعات دستگاه و برنامه را همراه با نشانی IP می‌فرستد. ^[1][2] مخزن مدل ممکن است فعالیت دانلود را ثبت کند و رایانه همچنان سرویس‌های عادی شبکه، پشتیبان‌گیری، مرورگرها و نرم‌افزارهای نقطه پایانی را دارد. اگر مدل تهدید جداسازی سخت‌گیرانه می‌طلبد، قطع کردن دستگاه از شبکه پس از دانلودهای راستی‌آزمایی‌شده و مرور کل پیکربندی سیستم از نشانِ «محلی» مهم‌تر است.

ذخیره‌سازی محلی هم مسئولیت‌هایی می‌آورد. گفت‌وگوهای مدل، اسناد، حافظه‌های نهان و گزارش‌های ثبت رویداد ممکن است روی دیسک بماند. حساب رایانه را با گذرواژه قوی دستگاه و، هر جا در دسترس است، رمزگذاری کامل دیسک محافظت کنید، هر جا مناسب است از حساب‌های جداگانه استفاده کنید و سازوکار پشتیبان‌گیری را بشناسید. رایانه دزدیده‌شده یا مشترک می‌تواند داده‌های محلی را فاش کند، حتی وقتی هیچ پرامپتی به ارائه‌دهنده ابری فرستاده نشده باشد.

حریم خصوصی با درستی هم یکی نیست. مدلی که یکسره آفلاین اجرا می‌شود همچنان می‌تواند دچار توهم شود، سوگیری را بازتولید کند، فایلی را بد بفهمد یا توصیه‌ای ناایمن بدهد. اجرای محلی کنترل بر جریان داده می‌دهد؛ ثابت نمی‌کند که پاسخ مدل درست، قانونی، منصفانه یا مناسب تصمیمی پیامددار است.

در پایان، API محلی به کنترل دسترسی نیاز دارد. سرور روی localhost معمولاً دسترسی را به همان دستگاه محدود می‌کند، در حالی که سروری که به شبکه محلی مقید شده برای دستگاه‌های دیگرِ شبکه در دسترس است. Apple و LM Studio هر دو قابلیت‌های سرور محلی را شرح می‌دهند. ^[1][5] بدون اینکه بدانید چه کسی می‌تواند به شبکه بپیوندد و چه احراز هویتی برقرار است، فرض نکنید «روی Wi-Fi خودم» یعنی «به‌اندازه کافی خصوصی».

خطاهای رایج در کار با مدل‌های محلی کدام است؟

خطای نخست دانلود بزرگ‌ترین مدلی است که به چشم می‌آید. فایل‌های بزرگ‌تر ممکن است بارگذاری نشود، جایی برای زمینه نگذارد یا آن‌قدر کند باشد که چیدمان را بی‌استفاده کند. از کوچک شروع کنید، یک مبنای مقایسه بسازید و فقط زمانی مقیاس را بالا ببرید که کار نیاز روشنی نشان دهد.

خطای دوم یکی گرفتن فایل مدل با برنامه است. مدل وزن‌های آموخته‌شده را فراهم می‌کند؛ اجراکننده کدی را فراهم می‌کند که آن وزن‌ها را بارگذاری و خروجی تولید می‌کند. سازگاری قالب تعیین می‌کند که این دو با هم کار می‌کنند یا نه. مستندات برنامه‌های محلی Hugging Face قالب‌های سازگارِ متفاوتی را برای LM Studio، Ollama، llama.cpp و MLX LM فهرست می‌کند. ^[4]

خطای سوم این فرض است که سرور محلی ایمن است چون راه‌اندازی‌اش آسان بود. فرمانی که روی یک رایانه کار می‌کند ممکن است بعدها تغییر کند تا به نشانی شبکه گوش دهد، پشت یک رابط وب قرار گیرد یا نرم‌افزار دیگری آن را فرابخواند. سرویس‌ها را به‌طور پیش‌فرض محلی نگه دارید و دسترسی را آگاهانه، با احراز هویت و بازبینی شبکه، بیفزایید.

خطای چهارم جزئیات بی‌اهمیت دانستنِ برچسب مجوز است. Qwen3.8-27B در صفحه Hugging Face خود برچسب Apache 2.0 دارد، در حالی که کارت Kimi K3.1 Pro مجوز جداگانه Kimi را نشان می‌دهد. ^[6][7] شرایط می‌تواند بر بازتوزیع، تغییر، استفاده تجاری و اعلان‌های الزامی اثر بگذارد. مجوزِ مربوط به خودِ همان فایل‌ها را بخوانید، نه یک نوشته وبلاگی درباره مدلی با نام مشابه.

خطای پنجم اعتماد به پاسخی روان بیش از منبعی راستی‌آزمایی‌پذیر است. اگر سودمند است از مدل بخواهید توضیح دهد، پیش‌نویس بنویسد یا به‌صورت محلی جست‌وجو کند، اما ادعاهای مهم را در مستندات دست‌اول بررسی کنید. پاسخ درست به تردید بررسی منبع است، نه پرامپتی بلندتر.

نخستین چیدمان معقول برای هوش مصنوعی محلی چیست؟

نخستین چیدمان معقول آگاهانه کوچک است: یک اجراکننده رسمی دسکتاپی یا خط فرمان، یک مدل کوچک سازگار، یک گفت‌وگوی صرفاً محلی و مطالب آزمایشیِ بی‌خطر. LM Studio، Ollama و MLX-LM هر کدام از سبک متفاوتی از استفاده محلی پشتیبانی می‌کنند، پس به‌جای ساختن خوشه‌ای از سرورها در روز نخست، ابزاری را برگزینید که با میزان تسلط کاربر جور است. ^[1][3][4][5]

پس از نخستین اجرا سه چیز را اندازه بگیرید: آیا مدل بدون تمام کردن حافظه جا می‌شود، آیا زمان پاسخ آن برای کار مورد نظر پذیرفتنی است و آیا خروجی‌اش در سنجش با پاسخ‌های معلوم به‌اندازه کافی خوب است. اگر هر یک از نتایج ضعیف بود، به‌جای این فرض که رایانه باید فوراً جایگزین شود، هر بار یک متغیر را تغییر دهید: مدل کوچک‌تر، زمینه کوتاه‌تر، کوانتیزه‌سازی دیگر یا محیط اجرای دیگر.

سپس مرز حریم خصوصی را آشکار کنید. تصمیم بگیرید که آیا روند کار پس از دانلود آفلاین است، آیا سرور فقط روی localhost است، کدام پوشه‌ها را می‌توان پیوست کرد و آیا هیچ یکپارچگی ابری‌ای فعال است. نتیجه نه رازداری کامل است و نه هوشمندی کامل. ابزاری محلی و مهارشده است که توانایی‌ها و حدودش شناخته شده است.