本仓库是
ruv/ruview在华为昇腾(Ascend)NPU 上的 torch_npu 推理适配交付物。 神经前向路径全部运行在物理设备npu:6上,绝不静默回退 CPU。 输入 / 模型 / 嵌入 / logit / 概率 / 输出张量的设备均被断言为npu:6。
固定源版本(revision):472cfbe8482403256d45f4acb0aed1a5f0db41be
任务:wifi-csi-embedding + presence-detection —— 将 8 维标准化 WiFi CSI
(Channel State Information)特征编码为 128 维 L2 归一化嵌入向量,并给出
presence 概率(sigmoid 二分类头)。
架构:csi-encoder-8-64-128(8 -> 64 -> 128 两层全连接 + BatchNorm + ReLU +
L2 归一化),后接 presence_head(sigmoid(weights·z + bias))。该架构对应官方仓库
https://github.com/ruvnet/RuView 中 scripts/train-camera-free.js /
scripts/benchmark-ruvllm.js / scripts/train-ruvllm.js 的实装(ReLU 在第一个 BN
之后,L2 归一化在第二个 BN 之后,与本适配的实现逐算子一致):
h = ReLU(BatchNorm1d(Linear(8, 64)(x)))
z = L2_normalize(BatchNorm1d(Linear(64, 128)(h)), dim=-1) # [B, 128]
p = sigmoid(weights·z + bias) # presence probability参数量:9,409(model.safetensors 严格加载的 encoder + presence head,
config.json 记录 inputDim=8, hiddenDim=64, embeddingDim=128,上游
training-metrics.json 记录 finalLoss=0.0654, steps=12212300)。
用途:把 ESP32-S3 等设备采集的 WiFi 信号变化(存在、运动、呼吸、心率、相位方差、 人数、跌倒、RSSI)映射为可用于对比学习的嵌入表示,并输出存在概率。
上游许可证:mit(模型卡片与官方仓库 LICENSE 声明)。
| 项 | 值 |
|---|---|
| 主模型文件 | model.safetensors |
| 字节数 | 48,840 |
| 本地文件 SHA256 | d85fbc9e839908de1d8b885ae3b59dbdf369336c836ecf3f4053c2ce45f6a994 |
| presence head 文件 | presence-head.json |
| 字节数 | 2,619 |
| presence head SHA256 | 9a6ddce665dbc1734d837ae38398f387782f5a40bd2ce36bcbe795d083badeaf |
| 固定源版本 | 472cfbe8482403256d45f4acb0aed1a5f0db41be |
| 官方代码 revision | a3b6e1d500df784b9ad1846dd39deb07e2c69a34(https://github.com/ruvnet/RuView,MIT) |
说明:模型仓库还包含 LoRA 适配器(
node-1.json/node-2.json/lora.*)与 WiFlow 姿态模型(wiflow-v1/wiflow-v1.json)。本适配选择“完整预训练 CSI encoder + presence head”(8 特征 -> 128 维嵌入 -> presence 概率)作为诚实的单一完整路径; LoRA 适配器按官方benchmark-ruvllm.js的规范基准路径不应用(非裁剪、非量化)。
inference.py 用固定种子 1234 确定性构造的 6 行 × 8 列 合成
CSI 特征张量(浮点,torch.float32)。| 组件 | 版本 | 说明 |
|---|---|---|
| 操作系统 | Linux(x86_64 / aarch64 容器) | 容器 codex-audio7 |
| Python | 3.11.14 | /usr/local/python3.11.14/bin/python3 |
| torch | 2.9.0+cpu | 容器预装匹配对,不得用普通 PyPI wheel 替换 |
| torch_npu | 2.9.0 | 容器预装匹配对,与 CANN 配套 |
| CANN | 8.5.1 | ASCEND_HOME_PATH=/usr/local/Ascend/cann-8.5.1 |
| NPU 硬件 | Ascend910B4-1(8 卡,本任务分配物理 npu:6) | npu-smi info 可见 |
requirements.txt 只固定顶层非 torch 依赖。安装命令:
# 使用配置的阿里云 PyPI 镜像(容器已默认配置)
export PIP_INDEX_URL=https://mirrors.aliyun.com/pypi/simple/
export PIP_TRUSTED_HOST=mirrors.aliyun.com
# 创建使用容器 torch/torch_npu 的虚拟环境(可选项;直接使用系统 python3 亦可)
python3 -m venv --system-site-packages \
/work/pipeline/runtime/venvs-other40/ruview-npu
# 安装本模型所需的顶层非 torch 依赖
/work/pipeline/runtime/venvs-other40/ruview-npu/bin/pip install -r requirements.txt重要:
torch与torch_npu由容器提供,绝不重新安装或替换;也不安装 CUDA wheel、 Triton、flash-attn、xformers、bitsandbytes 或其它 torch 构建。
source /usr/local/Ascend/ascend-toolkit/set_env.sh # 或 set_env.sh 已生效
npu-smi info # 应看到 Ascend910B4-1 设备实际输出(节选):
| 6 910B4-1 | OK | 98.7 41 0 / 0 |
| 0 | 0000:41:00.0 | 0 0 / 0 3406 / 65536 |cd /work/pipeline/jobs/other40/ruview/ruview-npu
bash scripts/run_inference_npu.sh该脚本会:
inference.py(精确捕获 Python PID);npu-smi info 与 npu-smi info -t proc-mem -i 6,
写入 logs/npu_device_call.log;logs/npu_inference.log;logs/npu_device_call.log 末尾记录 PID / NPU 6 / 进程名 / 进程内存关联行,
以及相同的退出码;logs/npu_result.json 写入结构化结果。也可以直接运行(支持 --model-path、--device、--output-json、--seed、
--monitor-hold-seconds):
python3 inference.py \
--model-path /work/pipeline/models/other40/ruview \
--device npu:6 \
--output-json logs/npu_result.json \
--seed 1234 \
--monitor-hold-seconds 45python3 render_screenshots.py从真实保存的日志生成 assets/agent_workflow.png、assets/modelagent_live_session.png、
assets/npu_device_call.png、assets/model_result.png。
用例名称:合成 6 行 × 8 维 CSI 特征(固定种子 1234)在物理 npu:6 上生成
[6, 128] L2 归一化嵌入,并输出 6 个 presence 概率。
测试输入(inference.py 内 SYNTHETIC_FEATURES,行语义依次为
empty room / person present, still / person walking / typing at desk / heavy
breathing / fall detected):
[[0.02, 0.01, 0.05, 0.10, 0.02, 0.0 , 0.00, 0.70],
[0.60, 0.05, 0.40, 0.50, 0.30, 1.0 , 0.00, 0.55],
[0.80, 0.90, 0.30, 0.60, 0.80, 1.0 , 0.00, 0.50],
[0.50, 0.30, 0.35, 0.45, 0.40, 1.0 , 0.00, 0.52],
[0.70, 0.08, 0.90, 0.70, 0.35, 1.0 , 0.00, 0.53],
[0.90, 0.85, 0.20, 0.30, 0.90, 1.0 , 0.85, 0.48]]运行命令:
bash scripts/run_inference_npu.sh运行日志(logs/npu_inference.log,sanitized):
[2026-08-21 08:45:07] NPU available: True | device_count=8 | device=npu:6 | current_device=6
[2026-08-21 08:45:07] NPU name: Ascend910B4-1 | total_memory=62420 MB
[2026-08-21 08:45:07] CANN version: 8.5.1
[2026-08-21 08:45:07] torch version: 2.9.0+cpu | torch_npu version: 2.9.0
[2026-08-21 08:45:07] python: 3.11.14 | host: gz.03 | pid=4118525
[2026-08-21 08:45:07] model source: https://huggingface.co/ruv/ruview@472cfbe8482403256d45f4acb0aed1a5f0db41be
[2026-08-21 08:45:07] weight file: /work/pipeline/models/other40/ruview/model.safetensors | bytes=48840 | sha256=d85fbc9e839908de1d8b885ae3b59dbdf369336c836ecf3f4053c2ce45f6a994
[2026-08-21 08:45:07] presence head file: /work/pipeline/models/other40/ruview/presence-head.json | bytes=2619 | sha256=9a6ddce665dbc1734d837ae38398f387782f5a40bd2ce36bcbe795d083badeaf
[2026-08-21 08:45:07] safetensors keys (17): ['encoder.b1', 'encoder.b2', 'encoder.bn1_beta', 'encoder.bn1_gamma', 'encoder.bn1_runMean', 'encoder.bn1_runVar', 'encoder.bn2_beta', 'encoder.bn2_gamma', 'encoder.bn2_runMean', 'encoder.bn2_runVar', 'encoder.w1', 'encoder.w2', 'lora.A', 'lora.B', 'lora.scaling', 'presence_head.bias', 'presence_head.weights']
[2026-08-21 08:45:07] strict load_state_dict: OK (encoder.* + presence_head.* exactly, no missing/unexpected keys)
[2026-08-21 08:45:07] presence-head.json: weights=128 bias=8.188348 | matches safetensors presence_head: True
[2026-08-21 08:45:07] model: RuViewModel | params=9409 | param_devices=['npu'] | first=encoder.w1@npu:6 | last=presence_head.bias@npu:6
[2026-08-21 08:45:07] input: shape=[6, 8] | device=npu:6 | dtype=torch.float32 | sha256=21a955b33639e72fbfb6325727026ae8c5fc4a5c0546da40e9caf0894f50ce17
[2026-08-21 08:45:07] embedding stats: {"shape": [6, 128], "l2_norm_min": 0.9999999403953552, "l2_norm_max": 1.0, "l2_norm_mean": 1.0, "value_min": -0.26331016421318054, "value_max": 0.28020617365837097, "value_mean": -0.00016780949954409152, "value_std": 0.08838818967342377, "rows": 6, "dims": 128}
[2026-08-21 08:45:07] embedding row-0 preview (first 8 of 128): [0.0295, -0.0364, -0.129, -0.1374, -0.0336, -0.1047, -0.0329, -0.0891] ...
[2026-08-21 08:45:07] cosine similarity (6x6 rows): [[1.0, 0.4507, 0.318, 0.5871, 0.3466, 0.2592], [0.4507, 1.0, 0.2663, 0.9051, 0.8078, 0.322], [0.318, 0.2663, 1.0, 0.4993, 0.1117, 0.0594], [0.5871, 0.9051, 0.4993, 1.0, 0.6071, 0.2369], [0.3466, 0.8078, 0.1117, 0.6071, 1.0, 0.2023], [0.2592, 0.322, 0.0594, 0.2369, 0.2023, 1.0]]
[2026-08-21 08:45:07] presence[0] empty room: logit=7.553999 prob=0.999476 -> present
[2026-08-21 08:45:07] presence[1] person present, still: logit=8.254801 prob=0.999740 -> present
[2026-08-21 08:45:07] presence[2] person walking: logit=8.865757 prob=0.999859 -> present
[2026-08-21 08:45:07] presence[3] typing at desk: logit=8.312757 prob=0.999755 -> present
[2026-08-21 08:45:07] presence[4] heavy breathing: logit=8.109090 prob=0.999699 -> present
[2026-08-21 08:45:07] presence[5] fall detected: logit=7.784441 prob=0.999584 -> present
[2026-08-21 08:45:07] peak NPU memory allocated: 0.061 MB (device=npu:6)
[2026-08-21 08:45:07] mean timed inference latency: 0.7191 ms/pass (10 passes, npu synchronized)
[2026-08-21 08:45:07] wrote structured result: logs/npu_result.json
[2026-08-21 08:45:07] all_checks_passed=True | exit_code=0 | DONE退出码:0。
结构化结果保存在 logs/npu_result.json,关键字段:
| 字段 | 值 |
|---|---|
| engine | torch_npu |
| exit_code | 0 |
| pid | 4118525 |
| device.assigned | npu:6 |
| device.name | Ascend910B4-1 |
| device.available / count | true / 8 |
| versions.cann / torch / torch_npu | 8.5.1 / 2.9.0+cpu / 2.9.0 |
| placement.input_device | npu:6 |
| placement.first_param_device | npu:6(encoder.w1,shape [512]) |
| placement.last_param_device | npu:6(presence_head.bias,shape [1]) |
| placement.output_device | npu:6 |
| output.shape | [6, 128] |
| output.stats.l2_norm_min / max / mean | 0.99999994 / 1.0 / 1.0 |
| output.stats.value_min / max / mean | -0.2633 / 0.2802 / -0.0002 |
| output.stats.value_std | 0.0884 |
| output.presence[0].probability | 0.999476(empty room -> present) |
| output.presence[2].probability | 0.999859(person walking -> present) |
| latency_ms_mean | 0.7191 ms/pass(10 次 forward,torch.npu.synchronize() 计时) |
| peak_memory_mb_allocated | 0.061 MB |
| elapsed_s | 1.5104 |
| all_checks_passed | true |
第 1 行嵌入向量前 8 维样例:
[0.0295, -0.0364, -0.129, -0.1374, -0.0336, -0.1047, -0.0329, -0.0891, ...]
6×6 余弦相似度矩阵(L2 归一化后即余弦相似度,行间相似结构可解释为对比嵌入):
[[ 1.0 0.4507 0.318 0.5871 0.3466 0.2592]
[ 0.4507 1.0 0.2663 0.9051 0.8078 0.322 ]
[ 0.318 0.2663 1.0 0.4993 0.1117 0.0594]
[ 0.5871 0.9051 0.4993 1.0 0.6071 0.2369]
[ 0.3466 0.8078 0.1117 0.6071 1.0 0.2023]
[ 0.2592 0.322 0.0594 0.2369 0.2023 1.0 ]]NPU 监视关联行(logs/npu_device_call.log 末尾 correlation summary):
inference_pid=4118525
npu_device=npu:6
proc_mem_row= Process id:4118525 Process name:python3 Process memory(MB):124
inference_exit_code=0即物理设备 npu:6 上精确 PID 4118525、进程名 python3、进程内存 124 MB 被捕获,
退出码 0 与推理进程一致。
以下图片全部从真实保存的日志(logs/npu_inference.log、logs/npu_device_call.log、
logs/npu_result.json)与真实会话事实渲染,未手工编辑任何数值。




assets/modelagent_live_session.png由编排器在发布阶段从保存的 ModelAgent 会话记录追加。
ruview-npu/
inference.py # torch_npu 推理主脚本(自包含,含自定义 safetensors 读取)
README.md / readme.md # 本说明(byte-identical)
requirements.txt # 顶层非 torch 依赖(固定版本)
.gitignore
SHA256SUMS # 交付物清单哈希(最后生成)
scripts/run_inference_npu.sh # 复现脚本(后台推理 + npu-smi 监视 + 关联摘要)
render_screenshots.py # 证据截图渲染脚本(严格读取真实日志)
logs/npu_inference.log # 推理完整 stdout/stderr
logs/npu_result.json # 结构化结果
logs/npu_device_call.log # npu-smi 监视 + PID/NPU6 关联摘要
logs/modelagent_dialogue.log # 本 ModelAgent 对话(sanitized)
logs/acceptance_summary.log # 验收摘要
logs/debug_attempts.log # 失败/修复记录(authentic)
evidence/modelagent_summary.log # ModelAgent 摘要
assets/agent_workflow.png # 工作流证据截图(1440x1800)
assets/modelagent_live_session.png # 会话证据截图(1440x900)
assets/npu_device_call.png # NPU 调用证据截图(1440x900)
assets/model_result.png # 结果证据截图(1440x900)| 现象 | 原因 | 处理 |
|---|---|---|
torch.npu.is_available() 返回 False | CANN 环境未加载或驱动异常 | source /usr/local/Ascend/ascend-toolkit/set_env.sh 后重试;用 npu-smi info 确认设备 OK |
| 安装依赖时覆盖了 torch/torch_npu | 使用了普通 PyPI 源 | 仅从 https://mirrors.aliyun.com/pypi/simple/ 安装 requirements.txt 中的顶层非 torch 依赖;torch/torch_npu 由容器提供 |
日志末尾出现 path string is NULL | safetensors 在本平台 C 绑定打印的无害调试信息 | 忽略,不影响结果 |
logs/npu_device_call.log 无 PID 行 | npu-smi 进程表在容器内可能延迟/不显示 | 以 correlation summary 与 torch_npu 张量设备断言(npu:6)为准 |
| 首次算子编译较慢(几百 ms) | CANN 首次执行算子编译 | 正常,预热后可忽略 |
p≈0.9995~0.9999 -> present。这是发布权重的真实行为,不代表真实射频区分度;
本适配如实记录,不做精度声明。node-1.json / node-2.json)未应用,匹配官方基准路径。npu-smi 进程内存(124 MB)为进程级 HBM 占用读数,非模型张量内存;模型峰值张量
内存由 torch.npu.max_memory_allocated() 报告(0.061 MB)。ruv/ruview,模型卡片与官方仓库 LICENSE)。a3b6e1d500df784b9ad1846dd39deb07e2c69a34,MIT。inference.py、scripts/run_inference_npu.sh 等)为本任务编写,
按 MIT 授权。