LM Studio推出LM Link:让本地大模型远程调用成为现实

LM Studio推出LM Link:让本地大模型远程调用成为现实

当你的笔记本电脑在移动中难以运行大型AI模型时,家中高性能工作站的算力却处于闲置状态。LM Studio最新推出的“LM Link”功能,旨在改变这一现状。

通过与Tailscale合作,LM Link构建了一个专为AI模型设计的私有安全网络。它允许用户将安装有LM Studio的不同设备相互连接,从而实现远程调用模型,体验与本地运行无异。

技术核心:基于Mesh VPN的加密通道

LM Link并未采用传统的端口转发方案,而是基于Tailscale的mesh VPN技术。所有设备间的通信均进行端到端加密,数据不会暴露在公共互联网上。这一设计免除了用户手动配置路由器或担忧网络安全问题的麻烦。

应用场景

该功能开启了多种新的使用可能:
* 在办公室的服务器上部署大型模型,通过外出时的笔记本电脑远程调用。
* 在家用电脑上训练或微调个人模型,在差旅途中于酒店房间内继续使用。

LM Studio推出LM Link:让本地大模型远程调用成为现实

无缝兼容现有工具

对于开发者而言,现有的工具链无需任何修改。无论是通过本地API连接LM Studio的各类开发工具或应用,只需继续指向 localhost:1234 地址,即可透明地使用远程模型。

隐私与共存

LM Studio强调,用户的所有聊天记录始终保存在本地设备上,仅有必要的设备列表信息会上传至服务器,用于设备间的发现与连接。此外,LM Link可与设备上已有的Tailscale VPN服务和平共存,互不干扰。

LM Studio推出LM Link:让本地大模型远程调用成为现实

当前状态与展望

目前LM Link处于预览阶段,免费版本支持最多2个用户,每个用户可连接5台设备。

LM Link的推出,不仅扩展了LM Studio自身的能力边界,也标志着个人AI使用模式的一个潜在转折点——从单机运行向分布式、网络化协作演进,这可能催生出更多创新的AI应用场景。

LM Studio推出LM Link:让本地大模型远程调用成为现实

该预览功能现已开放体验。


关注“鲸栖”小程序,掌握最新AI资讯

本文来自网络搜集,不代表鲸林向海立场,如有侵权,联系删除。转载请注明出处:http://www.itsolotime.com/archives/23093

(0)
上一篇 2026年2月26日 上午6:39
下一篇 2026年2月26日 上午8:11

相关推荐

  • AI在线强化学习实现“实践式学习”,斯坦福团队助力7B小模型性能大幅提升,表现超越GPT-4o

    斯坦福团队推出AgentFlow框架,通过在线强化学习让仅7B参数的小模型在流式协作中“边做边学”。该方法使模型在搜索、数学等10项任务中性能显著提升,部分表现甚至超越了GPT-4o等超大模型,证明了优化系统设计可突破模型规模限制。

    2025年10月24日
    71400
  • DualCamCtrl:几何感知扩散模型革新视频生成,相机运动误差降低40%

    本研究的共同第一作者是来自香港科技大学(广州)EnVision Research 的张鸿飞(研究助理)和陈康豪(博士研究生),两位研究者均师从陈颖聪教授。 你的生成模型真的「懂几何」吗?还是只是在假装对齐相机轨迹? 当前众多视频生成模型虽宣称具备「相机运动控制」能力,但其控制信号通常仅依赖于相机位姿。虽近期工作通过逐像素射线方向(Ray Condition)…

    2025年12月21日
    28100
  • 北航开源Code2Bench:双扩展动态评测,终结代码大模型高分幻觉

    在衡量大语言模型(LLM)代码生成能力的竞赛中,一个日益严峻的问题正浮出水面:当模型在 HumanEval、MBPP 等经典基准上纷纷取得近乎饱和的成绩时,我们究竟是在评估其真实的泛化推理能力,还是在检验其对训练语料库的「记忆力」? 现有的代码基准正面临两大核心挑战:数据污染的风险,以及测试严谨性不足。前者使评测可能退化为「开卷考试」,后者则常常导致一种「正…

    2026年2月21日
    18700
  • 揭秘70M小模型层数玄学:隐藏维度≥512是关键,32层成最佳配置

    知名开源项目OpenEvolve的作者Asankhaya Sharma在一篇长文中,揭示了关于70M参数小模型的几个关键发现: 首先,模型的具体架构选择其重要性被高估,相比之下,模型的“形状”——即深度与宽度的配比——更为关键。 其次,小模型的层数选择存在明显的“玄学”现象:12层、32层和64层的模型表现优异,而16层、24层和48层的模型则效果不佳,其中…

    2026年1月11日
    21500
  • 华为诺亚&港中文发布SCOPE框架:让LLM Agent从错误中学习,实现Prompt自我进化

    在 LLM Agent 领域,一个常见的问题是:Agent 明明“看到了”错误信息,却总是重蹈覆辙。 当 Agent 遇到工具调用错误时,错误日志里往往已经包含了解决方案——正确的参数格式、有效的 API 用法、甚至是直接可用的替代方案。然而,静态的 Prompt 无法让 Agent 从这些反馈中“学到教训”,导致它们陷入“错误循环”:承认失败,却重复同样的…

    2025年12月26日
    28000