起因
有一張 NVIDIA TITAN RTX（24GB VRAM），希望能在 Hermes Agent（需 64K context window）上使用。聽cyankiwi 有提供 Qwen3.5 系列的 AWQ 4bit 量化版本號稱可以在較小的 VRAM 上運行，於是開始測試。
硬體與環境
| 項目 | 規格 |
| GPU | NVIDIA TITAN RTX（Turing 架構，SM 7.5） |
| VRAM | 24GB |
| CUDA | 12.6 |
| vLLM 版本 | 0.19.1 |
| Python | 3.12 |
| 主要測試機器 | tsi7-14700（192.168.145.98） |
| Hermes Agent | tspi4ssd（192.168.145.x） |
測試過程
1. 安裝 vLLM
pip install --break-system-packages transformers>=5.5.0 pip install --break-system-packages vllm
vLLM 安裝成功，磁碟空間從 94% 降到 77%（釋放約 17%）。
2. 下載模型
hf download cyankiwi/Qwen3.5-27B-AWQ-4bit
模型大小約 20.1GB，下載完成。
3. 嘗試啟動 vLLM
一開始用預設參數（262K context、90% GPU memory）啟動，失敗了。問題是 KV cache 初始化時 VRAM 不夠。
4. 參數調整過程
| 嘗試 | 參數 | 結果 |
| 1 | --gpu-memory-utilization 0.90 --max-model-len 262144 | OOM：只有 1.41GB 可用 |
| 2 | --gpu-memory-utilization 0.75 | OOM |
| 3 | --gpu-memory-utilization 0.70 --max-model-len 131072 --enforce-eager | OOM：KV cache -4.2GB |
| 4 | --gpu-memory-utilization 0.85 --max-model-len 65536 --enforce-eager | OOM：KV cache -0.51GB |
| 5 | --gpu-memory-utilization 0.90 --max-model-len 32768 --enforce-eager | OOM：估算最大長度 7840 |
| 6 | --gpu-memory-utilization 0.90 --max-model-len 7840 --enforce-eager | ✅ 啟動成功 |
終於啟動成功！但 max_model_len 只有 7840 tokens。
5. Hermes 連接設定
修改 tspi4ssd 上的 Hermes config.yaml：
model: default: cyankiwi/Qwen3.5-27B-AWQ-4bit provider: custom base_url: http://192.168.145.98:8000/v1 context_length: 7840
重啟 hermes-gateway，API 測試成功。
6. 最終失敗
Hermes Agent 最低需要 64,000 tokens 的 context window，但 TITAN RTX 只能支援到 7,840 tokens。即使把模型降到 32K 的設定，KV cache 估算需要 2.15GB，但當時可用只有 0.67GB。
核心問題
TITAN RTX 的 24GB VRAM 在承載 Qwen3.5-27B（AWQ 4bit 約 18.65GB）之後，可用於 KV cache 的空間只剩下約 4-5GB。這對於 64K context 所需的 KV cache 來說遠遠不夠。
| 模型 | Tokenizer | Context Length | 參數量 | 開源 |
|---|---|---|---|---|
| Kronos-mini | Kronos-Tokenizer-2k | 2048 | 4.1M | ✅ |
| Kronos-small | Kronos-Tokenizer-base | 512 | 24.7M | ✅ |
| Kronos-base | Kronos-Tokenizer-base | 512 | 102.3M | ✅ |
| Kronos-large | Kronos-Tokenizer-base | 512 | 499.2M | ❌ |
預訓練規模：120 億筆 K線記錄、45 個交易所、7 種時間粒度。
HuggingFace：NeoQuasar/Kronos-small
4. 台灣股市應用評估
優勢
- 預訓練涵蓋45個交易所、120億筆 K線，台灣屬亞洲新興市場，已有跨市場泛化能力
- Zero-shot RankIC 領先其他 TSFM 93%
- Kronos-mini（4.1M）可在一般 GPU 執行，適合個人或小型團隊研究
- 不需自行設計特徵工程或時間序列標記
限制
- Context Length 限制（512 ~ 2048），日K約1.4年至8年
- 不看財報、總經、籌碼等非價格資訊
- 台灣特有的政策干預、權值股主導特性未被訓練進去
- ±10% 漲跌限制、T+2 結算等台灣制度細節，建議透過 Fine-tuning 針對優化
5. 建議流程
- 回測優先：以歷史日K做滾動窗口回測，觀察模型在多頭、空頭、震盪不同市場型態的表現
- 參考輔助：Kronos 預測結果作為技術面輔助參考，不作唯一進出场依據
- 長期評估 Fine-tuning：如欲針對台股特性微調，需較大 GPU 資源與乾淨歷史資料
參考連結
| Kronos GitHub | github.com/shiyu-coder/Kronos |
| Kronos 論文 | arxiv.org/abs/2508.02739 |
| HuggingFace 模型 | NeoQuasar/Kronos-small |
| twstock 套件 | github.com/mlouielu/twstock |
研究時間：2026-04-12
Kronos 安裝腳本與台灣股市預測實作
1. 安裝腳本
#!/bin/bash
# Kronos 安裝腳本（Python 需 3.10+）
set -e
KRONOS_DIR="/home/charles-chang/.openclaw/workspace/research/2026-04-12_kronos_taiwan_stock/kronos_repo"
ENV_DIR="/home/charles-chang/kronos_env"
# 建立虛擬環境
if [ ! -d "$ENV_DIR" ]; then
python3 -m venv $ENV_DIR
fi
source $ENV_DIR/bin/activate
# 安裝依賴
pip install --upgrade pip -q
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121 -q
pip install yfinance pandas transformers einops -q
# 克隆 Kronos（如尚未存在）
if [ ! -d "$KRONOS_DIR" ]; then
git clone https://github.com/shiyu-coder/Kronos.git $KRONOS_DIR
fi
# 驗證模型
python3 <<'PYEOF'
import sys
sys.path.insert(0, '/home/charles-chang/.openclaw/workspace/research/2026-04-12_kronos_taiwan_stock/kronos_repo')
from model import Kronos, KronosTokenizer, KronosPredictor
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
predictor = KronosPredictor(model, tokenizer, max_context=512)
print("模型載入成功 ✓")
PYEOF2. 台灣股市預測腳本
#!/usr/bin/env python3
"""
Kronos 台灣股市預測腳本
使用：python3 predict_taiwan_stock.py <股票代號> [--lookback N] [--pred_len N]
範例：python3 predict_taiwan_stock.py 2330 --pred_len 30
"""
import os, sys, argparse
from datetime import datetime, timedelta
import pandas as pd
import yfinance as yf
kronos_path = os.path.join(os.path.dirname(__file__), 'kronos_repo')
if os.path.exists(kronos_path):
sys.path.insert(0, kronos_path)
from model import Kronos, KronosTokenizer, KronosPredictor
def fetch_taiwan_stock_data(stock_code: str, days: int = 800) -> pd.DataFrame:
"""從 Yahoo Finance 取得台股歷史 K線"""
ticker = f"{stock_code}.TW"
df = yf.download(ticker, period=f"{days}d", auto_adjust=False, progress=False)
df = df.reset_index()
if isinstance(df.columns, pd.MultiIndex):
df.columns = [col[0] if isinstance(col, tuple) else col for col in df.columns]
rename_map = {}
for col in df.columns:
cl = str(col).lower()
if 'date' in cl: rename_map[col] = 'timestamps'
elif 'open' in cl and 'open' not in rename_map.values(): rename_map[col] = 'open'
elif 'high' in cl and 'high' not in rename_map.values(): rename_map[col] = 'high'
elif 'low' in cl and 'low' not in rename_map.values(): rename_map[col] = 'low'
elif 'close' in cl: rename_map[col] = 'close'
elif 'volume' in cl and 'volume' not in rename_map.values(): rename_map[col] = 'volume'
df = df.rename(columns=rename_map)
df = df.loc[:, ~df.columns.duplicated()]
df['amount'] = 0.0
for col in ['open', 'high', 'low', 'close', 'volume', 'amount']:
df[col] = pd.to_numeric(df[col], errors='coerce')
df = df.dropna()
return df[['timestamps', 'open', 'high', 'low', 'close', 'volume', 'amount']]
def predict(df: pd.DataFrame, lookback: int = 400,
pred_len: int = 30, sample_count: int = 1) -> pd.DataFrame:
"""Kronos-small K線預測"""
tokenizer = KronosTokenizer.from_pretrained("NeoQuasar/Kronos-Tokenizer-base")
model = Kronos.from_pretrained("NeoQuasar/Kronos-small")
predictor = KronosPredictor(model, tokenizer, max_context=512)
lookback = min(lookback, 512)
df_in = df.tail(lookback).reset_index(drop=True)
x_ts = df_in['timestamps'].reset_index(drop=True)
y_ts = pd.Series(pd.date_range(
start=df_in['timestamps'].iloc[-1] + timedelta(days=1),
periods=pred_len, freq='B'))
return predictor.predict(
df=df_in[['open', 'high', 'low', 'close', 'volume', 'amount']],
x_timestamp=x_ts, y_timestamp=y_ts,
pred_len=pred_len, T=1.0, top_p=0.9, sample_count=sample_count)
def main():
ap = argparse.ArgumentParser()
ap.add_argument('stock_code', help='股票代號（例：2330）')
ap.add_argument('--lookback', type=int, default=400)
ap.add_argument('--pred_len', type=int, default=30)
ap.add_argument('--sample_count', type=int, default=1)
args = ap.parse_args()
df = fetch_taiwan_stock_data(args.stock_code, days=int(args.lookback * 2))
pred = predict(df, args.lookback, args.pred_len, args.sample_count)
print(f"\n{'日期':<12} {'Open':>10} {'High':>10} {'Low':>10} {'Close':>10}")
print("-" * 60)
for idx, row in pred.iterrows():
ds = idx.strftime('%Y-%m-%d') if hasattr(idx,'strftime') else str(idx)
f = lambda k: f"{row.get(k,0):>10.2f}" if isinstance(row.get(k,0),(int,float)) else f"{str(row.get(k,'')):>10}"
print(f"{ds:<12} {f('open')} {f('high')} {f('low')} {f('close')}")
out = f"prediction_{args.stock_code}_{datetime.now().strftime('%Y%m%d_%H%M%S')}.csv"
pred.to_csv(out, index_label='timestamps')
print(f"\n已儲存：{out}\n此為模型輸出結果，僅供參考，不構成投資建議。")
if __name__ == "__main__":
main()3. 台灣股市資料來源
| Yahoo Finance（yfinance） | 日K為主，即時性普通，3行代碼即完成 |
| twstock 套件 | 台灣原生，直接串接證交所與櫃買中心 |
| Fugle API | 日內分鐘線最可靠 |
| 證交所開放資料 API | 官方 REST，即時性高 |
# Yahoo Finance 最簡範例
import yfinance as yf
df = yf.download("2330.TW", start="2020-01-01") # 台積電4. 使用方式
# 安裝環境
bash setup_kronos.sh
# 預測台積電未來30天
/home/charles-chang/kronos_env/bin/python3 predict_taiwan_stock.py 2330
# 指定歷史窗口與預測長度
/home/charles-chang/kronos_env/bin/python3 predict_taiwan_stock.py 2330 --lookback 200 --pred_len 105. 台股特殊考量
- 漲跌停 ±10%：Fine-tuning 時不應過濾這些bars，是正常市場現象
- 成交金額（amount）：Yahoo Finance 無此欄位，以0填補即可
- Context Length：Kronos-small 512 tokens（約1.4年日K）；日內分鐘線建議用 Kronos-mini（2048）
- 日內資料：Yahoo Finance 分鐘線在台股不可靠，建議改用 Fugle API
實作完成時間：2026-04-12
如何突破 Cloudflare 取得 Perplexity 內容
問題背景
在自動化研究場景中，常常需要透過 AI 搜尋引擎（如 Perplexity）抓取整理過的答案，並進一步餵給其他系統處理。然而 Perplexity 的分享連結受到 Cloudflare JS Challenge 保護，大多數程式化的存取方式都會被阻擋。
本文記錄完整的原因分析、所有嘗試過的失敗方法，以及最終如何透過 CloakBrowser 成功突破。
為什麼無法直接取得 Perplexity 內容？
根本原因：瀏覽器指紋偵測
Perplexity 使用的保護機制不是傳統的「封 IP」或「輸入驗證碼」，而是瀏覽器指紋偵測（Browser Fingerprinting）。
當請求抵達 Cloudflare 時，會檢測以下項目：
- navigator.webdriver 是否為 true（自動化框架標記）
- navigator.plugins.length 是否符合真實瀏覽器
- window.chrome 物件是否存在
- WebGL / Canvas / Audio 指紋是否正常
- WebRTC 是否洩漏真實 IP
- TLS 指紋（JA3/JA4）是否為常見瀏覽器
只要有任何一項不符，Cloudflare 就判定為機器人，發回 JS Challenge 頁面。
常見工具為何全部失效？
| 嘗試方法 | 失敗原因 |
|---|---|
| curl + 多種 User-Agent | 無法執行 JavaScript，只能拿到 Challenge 頁 HTML |
| web_fetch / cloudscraper | 403，cloudscraper 對新版 Cloudflare 失效 |
| Playwright（標準版） | navigator.webdriver=true，立即被偵測 |
| Playwright + stealth 參數 | 仍有殘留信號，觸發指紋檢查 |
| undetected-chromedriver | 連線錯誤，新版 Chrome 不相容 |
| curl-impersonate | TLS 指紋可能僥倖通過，但 JS Challenge 仍需瀏覽器執行 |
| Xvfb + patchright | 底層同樣缺乏完整指紋修補 |
這些方法的共同盲點是：都在試圖「欺騙」Cloudflare 的 JS 檢測層，而非真正讓檢測看到的都是正常值。
解決方案：CloakBrowser
工具介紹
CloakBrowser（GitHub: CloakHQ/CloakBrowser）是 目前唯一在 C++ 層級修改 Chromium 原始碼的指紋修補方案。不是設定調整，不是 JS 注入，而是49 個指紋 patch 直接編進二進位，包括：
- navigator.webdriver → false
- navigator.plugins.length → 真實 plugin 清單
- window.chrome → 正常瀏覽器物件
- WebGL / Canvas / Audio 指紋
- Font / Screen / Hardware 指紋
- WebRTC IP leak 防護
- TLS 指紋（JA3/JA4/Akamai）
- Automation signals（CDP detection）
安裝方式
pip install cloakbrowserPython 使用範例
from cloakbrowser import launch
import time
browser = launch(headless=False)
page = browser.new_page()
page.goto(
"https://www.perplexity.ai/search/你的分享連結",
wait_until="domcontentloaded"
)
# 等待 Cloudflare 挑戰自動通過
page.wait_for_function(
"() => !document.title.includes('Just a moment')",
timeout=40000
)
time.sleep(3) # 額外等待確保渲染完成
html = page.content()
browser.close()
print(f"成功取得內容，HTML 長度: {len(html)} bytes")關鍵實務細節
- 使用 headful 模式（headless=False）：相較 headless，headful 的指紋更難被偵測，搭配 Xvfb 虛擬顯示器即可在無頭伺服器上運行
- 等待 Challenge 完成：wait_for_function 監控標題是否離開「請稍候」頁，而非盲目 sleep
- 額外等待 3 秒：確保 Perplexity 的 SPA 完全渲染動態內容
失敗方法完整列表
| 方法 | 結果 | 瓶頸 |
|---|---|---|
| curl + UA 輪換 | ❌ | 無法執行 JS |
| cloudscraper | ❌ | Cloudflare 版本過新 |
| Playwright 標準版 | ❌ | webdriver flag |
| Playwright + stealth | ❌ | 仍有殘留信號 |
| undetected-chromedriver | ❌ | Chrome 版本不相容 |
| curl-impersonate | ❌ | JS Challenge 仍需瀏覽器 |
| Xvfb + patchright | ❌ | 指紋修補不完整 |
| CloakBrowser | ✅ 成功 | C++ 層級完整修補 |
結論
突破 Cloudflare JS Challenge 的核心瓶頸不在於「如何繞過檢測」，而在於讓檢測看到的全部都是正常瀏覽器值。CloakBrowser 的價值在於它從 Chromium 原始碼層面解決了這個問題，而不是停留在 JS 層或參數層的半成品繞過。
對於需要自動化存取受保護網頁的系統，CloakBrowser 是目前已知最穩定、成功率最高的方案。
（本文同步發布於研究記錄 2026-04-12）