魔搭社区每周速递(11.17-11.23)

简介: 魔搭ModelScope本期社区进展:923个模型,85个数据集,35个创新应用,7 篇内容

image.png

🙋魔搭ModelScope本期社区进展:

📟923个模型:In-Context-LoRA、omnivision-968M、Pixtral-Large-Instruct-2411、Mistral-Large-Instruct-2411

📁85个数据集:LVBench、LongVideoBench、smoltalk等;

🎨35个创新应用Qwen2.5-Turbo-1M-Demo、omnivlm-dpo-demo、魔搭答疑小助理等;

📄 7 内容:

  • FLUX.1 Tools 全家桶开源!文末附一键ComfyUI启动链接
  • 浪潮信息 Yuan-embedding-1.0 模型登顶MTEB榜单第一名
  • 直播预告 | Qwen2.5-Coder 开源报告解读
  • 阿里通义推出SmartVscode插件,自然语言控制VS Code,轻松开发应用,核心技术开源!
  • 10万奖金!通义千问Qwen技术应用有奖征文
  • In-Context LoRA实现高效多任务图像生成,开启视觉创作新篇章
  • 冬天到了,用OmniGen生成一个温暖的拥抱

01精选模型

In-Context-LoRA

通义实验室提出的In-Context LoRA框架,通过增强现有文本到图像模型的上下文学习能力,实现了无需架构修改的多任务高质量图像生成,简化了训练过程,减少了对标注数据的需求,并在故事板生成、字体设计、家居装饰等多个实际应用场景中展现出色的表现,同时支持条件图像生成,为未来模型开发提供了新思路。


模型链接:

https://modelscope.cn/models/iic/In-Context-LoRA


代码示例:

环境安装:安装comfyui和对应的定制化节点

# #@title Environment Setup
from pathlib import Path
OPTIONS = {}UPDATE_COMFY_UI = True  #@param {type:"boolean"}INSTALL_COMFYUI_MANAGER = True  #@param {type:"boolean"}INSTALL_CUSTOM_NODES_DEPENDENCIES = True  #@param {type:"boolean"}INSTALL_ComfyUI_CustomNodes = True #@param {type:"boolean"}INSTALL_x_flux_comfyui = True  #@param {type:"boolean"}OPTIONS['UPDATE_COMFY_UI'] = UPDATE_COMFY_UIOPTIONS['INSTALL_COMFYUI_MANAGER'] = INSTALL_COMFYUI_MANAGEROPTIONS['INSTALL_CUSTOM_NODES_DEPENDENCIES'] = INSTALL_CUSTOM_NODES_DEPENDENCIESOPTIONS['INSTALL_ComfyUI_CustomNodes'] = INSTALL_ComfyUI_CustomNodesOPTIONS['INSTALL_x_flux_comfyui'] = INSTALL_x_flux_comfyui
current_dir = !pwdWORKSPACE = f"{current_dir[0]}/ComfyUI"
%cd /mnt/workspace/
![ ! -d $WORKSPACE ] && echo -= Initial setup ComfyUI =- && git clone https://github.com/comfyanonymous/ComfyUI%cd $WORKSPACE
if OPTIONS['UPDATE_COMFY_UI']:  !echo "-= Updating ComfyUI =-"  !git pull
if OPTIONS['INSTALL_COMFYUI_MANAGER']:  %cd custom_nodes  ![ ! -d ComfyUI-Manager ] && echo -= Initial setup ComfyUI-Manager =- && git clone https://github.com/ltdrdata/ComfyUI-Manager  %cd ComfyUI-Manager  !git pull
if OPTIONS['INSTALL_ComfyUI_CustomNodes']:  %cd ..  !echo -= Initial setup ComfyUI_Comfyroll_CustomNodes =- && git clone https://github.com/Suzie1/ComfyUI_Comfyroll_CustomNodes.git  !echo -= Initial setup ComfyUI_rgthree_comfy =- && git clone https://github.com/rgthree/rgthree-comfy.git  !echo -= Initial setup ComfyUI_JPS =- && git clone https://github.com/JPS-GER/ComfyUI_JPS-Nodes.git  !echo -= Initial setup ComfyUI_Custom_Scripts =- && git clone https://github.com/pythongosssss/ComfyUI-Custom-Scripts.git  !echo -= Initial setup ComfyUI-KJNodes =- && git clone https://github.com/kijai/ComfyUI-KJNodes.git
if OPTIONS['INSTALL_x_flux_comfyui']:  !echo -= Initial setup x-flux-comfyui =- && git clone https://github.com/XLabs-AI/x-flux-comfyui.git
if OPTIONS['INSTALL_CUSTOM_NODES_DEPENDENCIES']:  !pwd  !echo "-= Install custom nodes dependencies =-"  ![ -f "custom_nodes/ComfyUI-Manager/scripts/colab-dependencies.py" ] && python "custom_nodes/ComfyUI-Manager/scripts/colab-dependencies.py"
!pip install spandrel


模型下载:下载fluxin-context lora

#@markdown ###Download standard resources%cd /mnt/workspace/ComfyUI### FLUX1-DEV# !modelscope download --model=AI-ModelScope/FLUX.1-dev --local_dir ./models/unet/ flux1-dev.safetensors!modelscope download --model=AI-ModelScope/flux-fp8 --local_dir ./models/unet/ flux1-dev-fp8.safetensors
### clip!modelscope download --model=AI-ModelScope/flux_text_encoders --local_dir ./models/clip/ clip_l.safetensors!modelscope download --model=AI-ModelScope/flux_text_encoders --local_dir ./models/clip/ t5xxl_fp8_e4m3fn.safetensors
### vae!modelscope download --model=AI-ModelScope/FLUX.1-dev --local_dir ./models/vae/ ae.safetensors
### lora#!modelscope download --model=FluxLora/flux-koda --local_dir ./models/loras/ araminta_k_flux_koda.safetensors!modelscope download --model=iic/In-Context-LoRA --local_dir ./models/loras/ film-storyboard.safetensors!modelscope download --model=iic/In-Context-LoRA --local_dir ./models/loras/ font-design.safetensors!modelscope download --model=iic/In-Context-LoRA --local_dir ./models/loras/ couple-profile.safetensors!modelscope download --model=iic/In-Context-LoRA --local_dir ./models/loras/ home-decoration.safetensors!modelscope download --model=iic/In-Context-LoRA --local_dir ./models/loras/ portrait-illustration.safetensors!modelscope download --model=iic/In-Context-LoRA --local_dir ./models/loras/ portrait-photography.safetensors!modelscope download --model=iic/In-Context-LoRA --local_dir ./models/loras/ ppt-templates.safetensors!modelscope download --model=iic/In-Context-LoRA --local_dir ./models/loras/ sandstorm-visual-effect.safetensors!modelscope download --model=iic/In-Context-LoRA --local_dir ./models/loras/ sparklers-visual-effect.safetensors!modelscope download --model=iic/In-Context-LoRA --local_dir ./models/loras/ visual-identity-design.safetensors


运行工作流,使用cloudflare运行工作流

!wget "https://modelscope.oss-cn-beijing.aliyuncs.com/resource/cloudflared-linux-amd64.deb"!dpkg -i cloudflared-linux-amd64.deb
%cd /mnt/workspace/ComfyUIimport subprocessimport threadingimport timeimport socketimport urllib.request
def iframe_thread(port):  while True:      time.sleep(0.5)      sock = socket.socket(socket.AF_INET, socket.SOCK_STREAM)      result = sock.connect_ex(('127.0.0.1', port))      if result == 0:        break      sock.close()  print("\nComfyUI finished loading, trying to launch cloudflared (if it gets stuck here cloudflared is having issues)\n")
  p = subprocess.Popen(["cloudflared", "tunnel", "--url", "http://127.0.0.1:{}".format(port)], stdout=subprocess.PIPE, stderr=subprocess.PIPE)  for line in p.stderr:    l = line.decode()    if "trycloudflare.com " in l:      print("This is the URL to access ComfyUI:", l[l.find("http"):], end='')    #print(l, end='')
threading.Thread(target=iframe_thread, daemon=True, args=(8188,)).start()
!python main.py --dont-print-server


Notebook分享链接:https://modelscope.cn/notebook/share/ipynb/a4c365ec/ComfyUI_incontexlora.ipynb


工作流效果:

image.png


更多详情请看教程文章:

In-Context LoRA实现高效多任务图像生成,开启视觉创作新篇章


Yuan-embedding-1.0

Yuan-embedding-1.0 是浪潮信息专门为中文文本检索任务设计的嵌入模型,采用bert-large模型作为基础模型,模型参数量为326M,最大输入长度为 512 个 token,使用模型最后一层输出所有token的平均值作为Embedding向量。该模型在中文语义向量评测基准——C-MTEB的Retrieval任务中荣获第一名,为用户加速基于大模型的智能应用创新提供了有力支持。


模型链接:

https://modelscope.cn/models/IEITYuan/Yuan-embedding-1.0


代码示例:

from sentence_transformers import SentenceTransformer   from modelscope import snapshot_download
   model_dir = snapshot_download('IEITYuan/Yuan-embedding-1.0')
   model = SentenceTransformer(model_dir)      sentences = [       "这是一个样例-1",       "这是一个样例-2",   ]   embeddings = model.encode(sentences)   similarities = model.similarity(embeddings, embeddings)   print(similarities)


Mistral-Large-Instruct-2411

Mistral-Large-Instruct-2411是由Mistral AI近期推出的 123B参数大型语言模型,具有最先进的推理、知识和编码能力,通过更好的长上下文、函数调用和系统提示扩展了Mistral-Large-Instruct-2407

  • 多语言设计:支持数十种语言,包括英语、法语、德语、西班牙语、意大利语、中文、日语、韩语、葡萄牙语、荷兰语和波兰语。
  • 精通编码:接受过 80 多种编码语言的培训,例如 Python、Java、C、C++、Javacsript 和 Bash。还接受过更具体的语言的培训,例如 Swift 和 Fortran。
  • 以代理为中心:具有本机函数调用和 JSON 输出的最佳代理功能。
  • 高级推理:最先进的数学和推理能力。
  • Mistral 研究许可证:允许非商业用途的使用和修改。
  • 上下文:一个大的 128k 上下文窗口。
  • 强大的上下文遵守性:确保 RAG 和大型上下文应用程序的强大遵守性。
  • 系统提示:保持强有力的遵守和支持,以提供更可靠的系统提示。


模型链接:

https://modelscope.cn/models/mistral-community/Mistral-Large-Instruct-2411


02数据集推荐

LVBench

LVBench是一个可能专注于生活方式识别和视觉基准测试的计算机视觉数据集,用于评估和比较不同模型在图像分类、目标检测或语义分割等任务上的性能。

数据集链接:

https://modelscope.cn/datasets/AI-ModelScope/LVBench


LongVideoBench

LongVideoBench是一个创新的问答基准,专门设计来评估大型多模态模型(LMM)在处理长达一小时的复杂视频语言交错输入时的长期多模态理解能力,通过包含3,763个视频和6,678个人工注释的多项选择题,它提出了引用推理新任务,挑战模型从冗长输入中准确检索和推理详细信息,成为评估长篇视频理解能力的重要工具。

数据集链接:

https://modelscope.cn/datasets/AI-ModelScope/LongVideoBench


smoltalk

一个专为 LLM 的监督微调 (SFT) 而设计的合成数据集。它用于构建SmolLM2-Instruct系列模型,包含 100 万个样本。

数据集链接:

https://modelscope.cn/datasets/AI-ModelScope/smoltalk


03精选应用

Qwen2.5-Turbo-1M-Demo

Qwen-Turbo原生支持长达100万个token的输入长度,可以上传文档进行问答(例如,pdf、docx、pptx、txt、html格式的文件)。


模型集合demo体验:

https://modelscope.cn/studios/Qwen/Qwen2.5-Turbo-1M-Demo


omnivlm-dpo-demo

支持上传图片并提出相关问题,模型将分析图片并为您的问题提供详细答案。


体验直达:

https://modelscope.cn/studios/NexaAIDev/omnivlm-dpo-demo

魔搭答疑小助理(beta)专注回答魔搭平台各类使用问题
体验直达:https://modelscope.cn/studios/AI-ModelScope/modelscope_copilot_beta


04

社区精选文章





相关文章
|
15天前
|
存储 人工智能 弹性计算
阿里云弹性计算_加速计算专场精华概览 | 2024云栖大会回顾
2024年9月19-21日,2024云栖大会在杭州云栖小镇举行,阿里云智能集团资深技术专家、异构计算产品技术负责人王超等多位产品、技术专家,共同带来了题为《AI Infra的前沿技术与应用实践》的专场session。本次专场重点介绍了阿里云AI Infra 产品架构与技术能力,及用户如何使用阿里云灵骏产品进行AI大模型开发、训练和应用。围绕当下大模型训练和推理的技术难点,专家们分享了如何在阿里云上实现稳定、高效、经济的大模型训练,并通过多个客户案例展示了云上大模型训练的显著优势。
|
19天前
|
存储 人工智能 调度
阿里云吴结生:高性能计算持续创新,响应数据+AI时代的多元化负载需求
在数字化转型的大潮中,每家公司都在积极探索如何利用数据驱动业务增长,而AI技术的快速发展更是加速了这一进程。
|
10天前
|
并行计算 前端开发 物联网
全网首发!真·从0到1!万字长文带你入门Qwen2.5-Coder——介绍、体验、本地部署及简单微调
2024年11月12日,阿里云通义大模型团队正式开源通义千问代码模型全系列,包括6款Qwen2.5-Coder模型,每个规模包含Base和Instruct两个版本。其中32B尺寸的旗舰代码模型在多项基准评测中取得开源最佳成绩,成为全球最强开源代码模型,多项关键能力超越GPT-4o。Qwen2.5-Coder具备强大、多样和实用等优点,通过持续训练,结合源代码、文本代码混合数据及合成数据,显著提升了代码生成、推理和修复等核心任务的性能。此外,该模型还支持多种编程语言,并在人类偏好对齐方面表现出色。本文为周周的奇妙编程原创,阿里云社区首发,未经同意不得转载。
|
22天前
|
缓存 监控 Linux
Python 实时获取Linux服务器信息
Python 实时获取Linux服务器信息
|
8天前
|
人工智能 自然语言处理 前端开发
什么?!通义千问也可以在线开发应用了?!
阿里巴巴推出的通义千问,是一个超大规模语言模型,旨在高效处理信息和生成创意内容。它不仅能在创意文案、办公助理、学习助手等领域提供丰富交互体验,还支持定制化解决方案。近日,通义千问推出代码模式,基于Qwen2.5-Coder模型,用户即使不懂编程也能用自然语言生成应用,如个人简历、2048小游戏等。该模式通过预置模板和灵活的自定义选项,极大简化了应用开发过程,助力用户快速实现创意。
|
5天前
|
云安全 存储 弹性计算
|
7天前
|
云安全 人工智能 自然语言处理
|
4天前
|
人工智能 C++ iOS开发
ollama + qwen2.5-coder + VS Code + Continue 实现本地AI 辅助写代码
本文介绍在Apple M4 MacOS环境下搭建Ollama和qwen2.5-coder模型的过程。首先通过官网或Brew安装Ollama,然后下载qwen2.5-coder模型,可通过终端命令`ollama run qwen2.5-coder`启动模型进行测试。最后,在VS Code中安装Continue插件,并配置qwen2.5-coder模型用于代码开发辅助。
359 4
|
5天前
|
缓存 Linux Docker
【最新版正确姿势】Docker安装教程(简单几步即可完成)
之前的老版本Docker安装教程已经发生了变化,本文分享了Docker最新版安装教程,其他操作系统版本也可以参考官 方的其他安装版本文档。
【最新版正确姿势】Docker安装教程(简单几步即可完成)
|
10天前
|
人工智能 自然语言处理 前端开发
用通义灵码,从 0 开始打造一个完整APP,无需编程经验就可以完成
通义灵码携手科技博主@玺哥超carry 打造全网第一个完整的、面向普通人的自然语言编程教程。完全使用 AI,再配合简单易懂的方法,只要你会打字,就能真正做出一个完整的应用。本教程完全免费,而且为大家准备了 100 个降噪蓝牙耳机,送给前 100 个完成的粉丝。获奖的方式非常简单,只要你跟着教程完成第一课的内容就能获得。