使用Claude Code将Moebius 0.2B图像修复模型移植到浏览器中运行

西蒙·威利森（Simon Willison）近日成功将Moebius 0.2B图像修复模型移植到了浏览器中，并分享了他的整个过程。Moebius是一个轻量级但效果出色的图像修复模型，能够智能填充图像中被标记的缺失区域。该模型最初依赖PyTorch和NVIDIA CUDA，主要面向服务器端运行。威利森受到其小参数量的启发，决定尝试将其迁移到WebGPU上，实现纯浏览器端的运行。

项目的起点是Hacker News上的一篇帖子，威利森随后使用Claude.ai进行了初步可行性研究。研究建议使用ONNX Runtime Web作为WebGPU后端，而非他最初设想的Transformers.js。在确认可行后，他启动了Claude Code来实际执行代码工作。

威利森在本地创建了项目目录，并准备了必要的资源，包括Moebius的源代码、模型权重以及ONNX Runtime和Transformers.js的仓库。随后，他让Claude Code开始工作，并指示其频繁提交代码和记录notes.md文件。整个过程他几乎未查看任何代码行，而是将时间花在测试和提出改进建议上。

在Claude Code的努力下，模型被成功转换为ONNX格式，并发布了约1.24GB的权重到Hugging Face上的simonw/Moebius-ONNX仓库。随后，前端代码被部署到GitHub Pages，用户可以通过simonw.github.io/moebius-web/访问演示。

早期版本存在一个显著问题：每次页面刷新都会重新下载约1.3GB的模型权重。为解决此问题，威利森参考了Whisper Web演示的实现，指示Claude Code使用CacheStorage API（caches.open("transformers-cache")）来缓存权重，从而避免了重复下载。

最终，该模型在Chrome、Firefox和Safari上均能正常工作。威利森强调，这次经历让他认识到几个关键点：Claude Opus 4.8能够独立完成从模型转换到Web应用的全流程；主要浏览器已具备运行此类模型的能力；CacheStorage API可以处理大文件缓存；以及最重要的是，客户端纯Web应用的图像修复功能已成为可能。

威利森还分享了他从该项目中学到的技术细节，特别是关于ONNX的理解：ONNX是一种与框架无关的神经网络文件格式，包含计算图和权重，仅描述计算内容而不指定硬件，通过opset版本控制算子语义。PyTorch内置的torch.onnx.export函数可用于导出ONNX模型。

该项目的完整Claude Code对话记录也已公开，供有兴趣的开发者参考。