ShrinkLLM产品系统Vibe Coding

面向本地大模型研究与资源受限设备的实验评测场景。针对压缩方案难以同时核对权重体积、模型质量和运行资源的问题，建立可复现的实验流程，帮助比较共享参数、低秩修正和知识蒸馏的实际效果，为后续模型部署研究提供有据可查的实验记录。

支持固定配置的模型实验、共享 MLP 与独立低秩修正、恢复训练、蒸馏和对照评测。记录验证损失、困惑度、完整权重体积、训练与推理资源及延迟数据，生成 CSV 和 Markdown 报告。通过参数身份、底层存储和新进程重载检查确认真实共享，并核对保存前后的输出一致性及实验来源信息。

我围绕本地模型压缩研究确定实验需求与验收条件，使用 Codex 辅助实现 Python、PyTorch 和 Transformers 实验工具链。项目固定模型版本、数据划分、随机种子与训练预算，并加入权重哈希、冻结参数检查和新进程重载验证。已有 Qwen3-0.6B 实验记录显示，完整权重体积减少约 1.52%；质量与延迟分别评测，并保留未改善的结果。当前作为研究工具源码展示。