Why Is My AI So Slow? Go Faster with EvoX AI Harness

EvoX AI Harness：自我进化与多模型接入

本期视频主要评测最新推出的编码与生产力助手 EvoX AI Harness。该工具的核心卖点在于其自我进化能力，即能够从错误中学习以提供更快的结果。用户注册后可获得 15美元（约1,500积分） 的免费API额度，支持调用 Kimi K3、最新版本的 GPT 等模型。除了本地运行，EvoX 还支持通过 Slack、Telegram 等多渠道通信，并具备 Beta Swarm（蜂群模式）及项目一键迁移功能。界面包含聊天、协同工作区以及专门的编码模块，允许用户选择本地系统或远程计算机作为工作环境。

"It's meant to be self evolving."

本地生成瓶颈与云端速度对比

为了验证性能，视频演示了使用 Kimi K3 生成基于 Three.js 的 3D 太阳系模型的过程。在本地运行 Kimi K3 时，生成 7,000个令牌 的速度仅为 6.62k/秒，导致过程极其缓慢。相比之下，使用 EvoX 云端服务运行同一模型时速度显著提升。尽管本地生成的视觉效果美观且代码可用，但云端执行效率远高于本地部署。此外，由于某些技术原因导致 Kimi K3 模型在特定系统上拒绝运行，进一步凸显了云端服务的稳定性优势。

"When we ran it locally, it made 7,000 tokens at 6.62k a second. So, it was very very slow to get this going."

技能系统赋能与生成质量评估

在对比测试中，GPT Sol 模型展示了其独特的 技能系统（Skill System）。该机制能自动加载如“构建交互式视觉演示”等预存技能文件，从而优化生成质量。随着使用频率增加，系统会保存记忆和技能供后续复用，实现持续改进。最终对比显示，虽然 GPT Sol 生成了结构完整的 solar_system.html，但 Kimi K3 在视觉效果上略胜一筹。值得注意的是，闭源模型（如 GPT）隐藏了推理过程，而开源的 Kimi K3 允许用户查看具体的思维链内容。

GPT-5.6 Sol与K3在太空模拟中的代码修复对比

在本轮测试中，GPT-5.6 Sol 在低推理模式下首次生成时出现了 import controls 引用错误，导致屏幕空白。用户指出可能需要提高推理努力程度以获取更高质量的生成结果。K3 模型在对比中表现稍好，但两者均能实现行星的缩放与速度控制。关键挑战在于模型能否智能地处理代码调整，例如添加用户可控的飞船及激光爆炸效果。本地运行该任务时速度仅为 6.3 tokens/秒，且使用的是非官方融合版本模型。

"I think maybe with GPT 5.6 Sol, you might want to be using a higher reasoning effort than low cuz maybe low is just not the best quality generation out of it"

飞船交互功能的云端生成速度与质量评估

在云端环境中，GPT-5.6 Sol 和 K3 同时接收“添加飞船及激光爆炸”的指令。GPT-5.6 Sol 快速生成了包含飞船和激光的系统，虽然激光方向垂直存在视觉瑕疵，但无运行时错误且可玩性良好。K3 虽然更新了文件并提示“空格发射激光”，但飞船未显示在视野中，导致无法飞行。因此，GPT-5.6 Sol 在此轮生成测试中胜出。云端生成的速度远超本地运行的“蜗牛速度”，展示了前沿模型在复杂交互逻辑上的即时响应能力。

"So, it looks like GPT Sol has won this generation. Look at that launch spaceship. We can actually fly around."

超高推理模式下人脸渲染的效率与自进化机制

测试进入终极挑战：使用 GPT-5.6 Sol 的 Extra High（超高）推理模式生成照片级实时人脸渲染。作为对比，本地运行的 GLM 5.3（量化版）在低思考模式下生成该任务耗时 2小时，消耗了 77,000 tokens。而云端 GPT-5.6 Sol 仅用 1分钟即完成初步生成，尽管初始版本缺失嘴巴。经过一轮修正提示后模型成功添加了嘴唇并优化了着色器，眼睛效果极佳。此外，系统展示了 自进化（Self-Evolution）机制，显示当前状态距离完全自我优化还有94%的空间。

"So we've made this guy. There is actually a bug there... It took 1 minute did it look [laughter] at 5.3 at low thinking mode took two hours.",

EvoX 的自我进化机制与技能文件持久化

在演示中，AI 生成了一张没有嘴唇的人脸图像。用户指出这一缺陷后，系统立即进行了自我进化（Self Evolution）处理。EvoX 会将此次修正学习到的逻辑保存至技能文件，确保下次加载时具备更高级的生成能力。这一过程展示了系统如何通过即时反馈闭环来优化自身表现，无需人工重新配置底层逻辑。

"It's about to do a self evolution. I guess it will save out that to a skills file."

这种机制使得 AI 能够在交互中动态积累专业知识，将单次任务的纠错转化为长期的能力资产。用户无需深入代码层面即可见证系统的迭代过程。

蜂群智能（Swarm Agent）处理全新模型 DeepSeek V4.1 的实现

视频展示了最复杂的测试场景：要求 AI 生成全新模型 DeepSeek V4.1 的实现代码。系统启动了蜂群智能（Swarm Agent）模式，并设置“Ultra Cold”为自动以观察其行为。蜂群在后台自主运行，并行执行集成测试定义、检查旧版 DeepSeek V4 及 Qwen 4 的技能复用，并通过通知机制向用户汇报进度。当系统询问是否克隆 MLX 源码时，用户授权后，蜂群开始下载约 85MB 的文件并阅读所有实现文件。面对这一复杂架构，系统强调精确性优于推测性（Precise rather than speculative），并在云端超算支持下继续后台研究。

"It's just handling it like a champ and it's got an audit for me."

最终，两个蜂群实例协同工作，一个检查范围（Scope），另一个检查工作区（Workspace）。系统生成了测试计划并对比差异，最终在文件夹中成功输出了 DeepSeek V4.1 的实现文件。整个过程体现了云端算力在后台自主执行复杂任务的能力，用户只需放松等待即可。

生成质量对比与 EvoX 平台价值总结

在图像生成的最终对比中，GPT Soul 以生成更美观的人脸和更高的质量击败了 K3。值得注意的是，K31 是在低算力模式下运行的。而在“Extra High”设置下，系统生成了精美的太空图像，耗时仅 1 分钟。相比之下，在本地运行相同任务需要 2 小时。这一对比突显了 EvoX 平台在速度和质量上的显著优势。用户注册即可免费获得 1,500 积分（Credits），足以支持上述所有测试。视频结论认为 EvoX 通过蜂群智能、自我进化及云端加速，有效解决了 AI 响应慢的问题。

结论

EvoX AI Harness通过云端算力显著解决了本地部署AI响应缓慢的核心痛点。测试数据显示，在生成复杂3D模型及人脸渲染任务中，云端GPT-5.6 Sol耗时仅1分钟，而本地量化版GLM 5.3需2小时且消耗77,000 tokens，速度优势明显。在质量上，GPT Sol凭借技能系统自进化机制及蜂群智能处理复杂代码修复的能力胜出，尤其在交互逻辑与视觉呈现上优于K3。然而其短板在于初始生成可能存在细节缺失（如缺嘴唇），需依赖用户反馈触发自我进化修正。该平台适合追求即时响应与自动化复杂任务的用户，但尚未证明其在所有场景下均优于本地开源模型。