GitHub Actions白嫖算力跑AI生图

斯坦福食堂菜单更新快，作者需要每日自动抓取菜品并生成配图。付费GPU太贵，本地笔记本开不了机，于是转向GitHub Actions。利用其免费矩阵并发功能，将CPU生图任务拆分到多台无显卡机器，结合缓存加速与AI审图，实现了每日新菜品的低成本自动化。实测单张图耗时17-19分钟，但并发10台可在4小时内处理百张图，10月409道新菜中406道成功配图。这套打法展示了如何用免费算力替代付费GPU，关键在于工程化的任务拆分与合规边界把控。

为什么不用云GPU而选免费Actions？

成本是核心驱动力，免费额度能覆盖日常需求。作者实测发现Cloudflare Workers AI免费模型画质过差，无法满足视觉校验；本地RealVisXL模型效果好但需24小时开机。GitHub Actions提供4核CPU、16GB内存的免费实例，虽单台CPU跑一张图需17-19分钟（作者实测），但通过并发抵消延迟。不花一分钱租金，且任务产物随仓库提交，符合“开发发布环节”而非“SaaS服务”的合规红线。

工程落地有哪些关键步骤与坑？

主要挑战是硬盘容量与内存瓶颈，需精细配置。Actions免费机器仅14GB SSD，模型近7GB，必须卸载预装软件腾空间；模型加载占用15.3GB内存，近16GB上限，故每台机器严格限生成一张图防溢出。利用GitHub Actions Cache存储Hugging Face模型文件，启动时直接拉取热缓存避免重复下载7GB。引入独立Vision AI审图，通过是非题校验（如“这是裹面糊香肠吗”）确保图文匹配。需警惕定时任务约5小时漂移延迟，且自身推送不触发工作流，需跨工作流调用并指定ref解决同步问题。

常见问题

问：这套方法能直接商业化接单吗？
答：不建议。免费额度并发上限20台，受6小时任务时限约束，处理海量SKU时效性与稳定性不足，且极易触及GitHub滥用条款导致封禁。自用降本可行，商业化需转向专用CPU集群或自建低成本节点。

问：CPU跑图太慢，有加速手段吗？
答：核心是并发抵消延迟。利用Matrix功能同时启动最多10台机器，每台负责2道菜，4小时完成百张图。配合缓存加速模型加载，避免每次重复下载7GB文件。这是“小批量、多并发”策略，不是单点提速。

问：如何保证生成图像质量准确？
答：引入独立Vision AI审图环节。通过是非题校验图像内容（如“这是一根裹着面糊的香肠吗？”），答错则重画。10月实测409道新菜中406道成功配图，3道因模型绘制不准确未能在首日上架，留待次日重试，成功率超99%（作者实测）。

来源 · 博客 on Neil的自留地：阅读原文 →