魔搭社区模型速递(3.30-4.12)

简介: 魔搭ModelScope本期社区进展:新增1911个模型,297个数据集,113个创新应用, 10篇内容。

添加图片注释,不超过 140 字(可选)

🙋魔搭ModelScope本期社区进展:

📟1911个模型:InternVL3系列、Kimi-VL系列、Llama 4系列、SpatialLM、Dolphin系列、TripoSG 等;

📁297个数据集:MapDR、OpenAI-4o_t2i_human_preference、openhands-feedback、reasoning-v1-20m等;

🎨113个创新应用:ModelScope MCP Playground、飞桨第四代OCR模型在线演示、Motionshop2来啦!单张照片替换视频人物、视频擦除扩散模型-DiffuEraser等;

📄 10篇内容:

  • InternVL3开源:7种尺寸覆盖文、图、视频处理,多模态能力扩展至工业图像分析
  • Kimi开源MoE架构多模态推理模型,小激活参数,大能量!
  • 把大模型变成微信私人助手,三步搞定!
  • 突破自动驾驶"交规困境":高德&西交发布交规+高精地图基准MapDR,车道级交通规则在线理解,让AI更懂交规!
  • 智源开源FlagOS升级:首次实现DeepSeek-R1满血版多种芯片高效快速部署
  • Llama 4上线魔搭社区!社区推理、微调实战教程来啦!
  • 开箱即用的可视化AI应用编排工具 Langflow,可调用魔搭免费API作为tool
  • 重磅发布|支持东方40语种+中国22方言的新SOTA语音大模型Dolphin开源啦!
  • 杭州六小龙最新开源「空间理解模型」,保姆级教程来了!
  • 通义灵码与魔搭Notebook深度集成:在线编码开箱即用,开发效率倍增

01.模型推荐

InternVL3 系列

OpenGVLab 开源发布的 InternVL3系列模型,包括从1B 到 78B 共 7 个尺寸,作为一款先进的多模态大型语言模型 (MLLM) ,能够同时处理文字、图片、视频等多种信息,展现出卓越的整体性能。与 InternVL 2.5 相比,InternVL3 展现出卓越的多模态感知和推理能力,同时进一步扩展了其多模态能力,涵盖工具使用、GUI 代理、工业图像分析、3D 视觉感知等。

模型合集

https://modelscope.cn/collections/InternVL3-5d0bdc54b7d84e

示例代码

推理、微调实战教程详见

InternVL3开源:7种尺寸覆盖文、图、视频处理,多模态能力扩展至工业图像分析

Kimi-VL系列

Kimi-VL是Moonshot AI推出的一种高效的开源专家混合 (MoE) 视觉语言模型 (VLM),可提供高级多模态推理、长上下文理解和强大的代理功能 ,同时在其语言解码器 (Kimi-VL-A3B) 中仅激活 2.8B 参数。基于此基础,Moonshot同时推出了:Kimi-VL-Thinking。通过长链思维(CoT)监督微调(SFT)和强化学习(RL)开发,该模型展现出强大的长期推理能力。

模型地址

Kimi-VL-A3B-Instruct:

https://www.modelscope.cn/models/moonshotai/Kimi-VL-A3B-InstructKimi-VL-A3B-Thinking:

https://www.modelscope.cn/models/moonshotai/Kimi-VL-A3B-Thinking

示例代码

使用ModelScope的SDK(兼容transformers)推理Thinking模型。

from PIL import Image
from modelscope import AutoModelForCausalLM, AutoProcessor
model_path = "moonshotai/Kimi-VL-A3B-Thinking"
model = AutoModelForCausalLM.from_pretrained(
    model_path,
    torch_dtype="auto",
    device_map="auto",
    trust_remote_code=True,
)
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
image_paths = ["./figures/demo1.png", "./figures/demo2.png"]
images = [Image.open(path) for path in image_paths]
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image_path} for image_path in image_paths
        ] + [{"type": "text", "text": "Please infer step by step who this manuscript belongs to and what it records"}],
    },
]
text = processor.apply_chat_template(messages, add_generation_prompt=True, return_tensors="pt")
inputs = processor(images=images, text=text, return_tensors="pt", padding=True, truncation=True).to(model.device)
generated_ids = model.generate(**inputs, max_new_tokens=2048)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
response = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)[0]
print(response)

Llama 4系列

Meta推出了Llama 4系列的首批模型: Llama 4 Scout 和 Llama 4 Maverick,二者均为MoE架构模型,Llama 4 Scout 是一个拥有 16 位专家的 170 亿活跃参数模型,上下文支持达到了1000万;Llama 4 Maverick 是一个拥有 128 位专家的 170 亿活跃参数模型。模型采用原生多模态设计,将文本和视觉标记无缝集成到统一的模型主干中, 结合早期融合能够使用大量未标记的文本、图像和视频数据联合预训练模型。同时改进了 Llama 4 中的视觉编码器。它基于 MetaCLIP,但与冻结的 Llama 模型一起单独训练,以便更好地使编码器适应 LLM。

模型合集地址

https://modelscope.cn/collections/LLaMA-4-c9b8a04227f445

示例代码

使用transformers推理,请确保已经安装了 transformers

v4.51.0 版本,或者通过运行 pip install -U transformers 来升级

from modelscope import AutoProcessor, Llama4ForConditionalGeneration
import torch
model_id = "LLM-Research/Llama-4-Scout-17B-16E-Instruct"
processor = AutoProcessor.from_pretrained(model_id)
model = Llama4ForConditionalGeneration.from_pretrained(
    model_id,
    attn_implementation="flex_attention",
    device_map="auto",
    torch_dtype=torch.bfloat16,
)
url1 = "https://modelscope.oss-cn-beijing.aliyuncs.com/resource/car.jpg"
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": url1},
            {"type": "text", "text": "Can you describe the image?"},
        ]
    },
]
inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)
outputs = model.generate(
    **inputs,
    max_new_tokens=256,
)
response = processor.batch_decode(outputs[:, inputs["input_ids"].shape[-1]:])[0]
print(response)
print(outputs[0])

SpatialLM

SpatialLM 是一款由杭州六小龙群核科技开源的三维空间理解模型,能够通过三维点云数据生成结构化的三维场景理解输出,支持多种数据来源(如单目视频序列、RGBD图像和LiDAR传感器),并提供1B和0.5B两种模型版本。

模型链接:

1B:

https://modelscope.cn/models/manycore-research/SpatialLM-Llama-1B

0.5B:

https://modelscope.cn/models/manycore-research/SpatialLM-Qwen-0.5B

部署实战教程详见:

杭州六小龙最新开源「空间理解模型」,保姆级教程来了!

Dolphin系列

Dolphin 是由 Dataocean AI 和清华大学合作开发的多语言、多任务 ASR 模型。它支持东亚、南亚、东南亚和中东的 40 种东方语言,同时还支持 22 种中国方言。它基于超过 210,000 小时的数据进行训练,其中包括 DataoceanAI 的专有数据集和开源数据集。该模型可以执行语音识别、语音活动检测 (VAD)、分割和语言识别 (LID)。

模型链接

dolphin-base:

https://www.modelscope.cn/models/DataoceanAI/dolphin-basedolphin-small:

https://modelscope.cn/models/DataoceanAI/dolphin-small

示例代码

一键安装

pip install -U dataoceanai-dolphin

命令行调用Dolphin

dolphin audio.wav
# Download model and specify the model path
dolphin audio.wav --model small --model_dir /data/models/dolphin/
# Specify language and region
dolphin audio.wav --model small --model_dir /data/models/dolphin/ --lang_sym "zh" --region_sym "CN"
# padding speech to 30 seconds
dolphin audio.wav --model small --model_dir /data/models/dolphin/ --lang_sym "zh" --region_sym "CN" --padding_speech true

Python使用Dolphin

import dolphin
waveform = dolphin.load_audio("audio.wav")
model = dolphin.load_model("small", "/data/models/dolphin", "cuda")
result = model(waveform)
# Specify language and region
result = model(waveform, lang_sym="zh", region_sym="CN")
print(result.text)

部署实战教程详见:

重磅发布|支持东方40语种+中国22方言的新SOTA语音大模型Dolphin开源啦!

02.数据集推荐

MapDR

MapDR是一个用于从交通标志中提取驾驶规则并将其与矢量化高清地图关联,包含超过10,000个标注视频片段,覆盖北京、上海和广州等复杂交通场景,旨在解决自动驾驶中交通标志规则与车道操作的整合问题。

数据集链接:

https://modelscope.cn/datasets/MIV-XJTU/MapDR

OpenAI-4o_t2i_human_preference

一个专注于文本到图像生成任务中的人类偏好数据集,用于提升生成模型的输出质量,使其更符合人类的审美和需求。

数据集链接:

https://modelscope.cn/datasets/AI-ModelScope/OpenAI-4o_t2i_human_preference

openhands-feedback

OpenHands 反馈数据集是用户与 OpenHands AI 编码助手的交互和反馈的集合。此数据集包含用户如何与 AI 编码助手交互的真实示例,包括成功和不成功的交互,以及用户对响应质量和有用性的反馈。

数据集链接:

https://modelscope.cn/datasets/all-hands/openhands-feedback

reasoning-v1-20m

数据集包含超过2200万个通用推理问题及其答案,由DeepSeek-R1-Distill-Llama-70B生成,针对社会科学、自然科学、教育、创意写作和一般对话等非编程/数学主题的推理数据空白。

数据集链接:

https://modelscope.cn/datasets/AI-ModelScope/reasoning-v1-20m

03.精选应用

ModelScope MCP Playground

体验直达:

https://modelscope.cn/studios/modelscope/mcp-playground

体验直达:

https://modelscope.cn/studios/PaddlePaddle/PP-OCRv4_Gradio_Demo

体验直达:

https://modelscope.cn/studios/Damo_XR_Lab/Motionshop2

体验直达:

https://modelscope.cn/studios/iic/DiffuEraser

04.社区精选文章

目录
相关文章
|
2月前
|
数据采集 人工智能 自然语言处理
2026年最新趋势:AI时代企业如何建设数据系统
2026年,企业数据系统迎来关键转折:从“管数据”转向“为Agent而生”。IDC预测,40%中国500强将采用流式技术与物化视图支撑实时AI Agent,50%已部署分析型Agent。数据系统需具备语义理解、多模态融合、事前治理与Agent原生交互能力,方能真正驱动智能决策。
|
机器学习/深度学习 存储 文字识别
Llama 4上线魔搭社区!社区推理、微调实战教程来啦!
近期,Meta推出了Llama 4系列的首批模型: Llama 4 Scout 和 Llama 4 Maverick。
1241 12
|
测试技术 API
LangChain中的Prompt模板如何使用?
本文介绍了LangChain中的Prompt模板功能,涵盖其基本用法、动态生成提示词的实现方式,以及如何设置默认值、从文件加载模板和应用于聊天模型的场景。通过示例代码演示了模板的创建与格式化过程,帮助提升提示词管理效率,适用于测试用例设计等场景。
1751 121
|
9月前
|
机器学习/深度学习 人工智能 编解码
四款国产VLM OCR模型横评
春节前,DeepSeek、智谱、百度、腾讯四大团队密集开源新一代OCR小模型,全面采用视觉语言模型(VLM)架构,摒弃传统流水线,迈向“语义结构化”新纪元。DeepSeek-OCR2首创“视觉因果流”,GLM-OCR以0.9B参数登顶OmniDocBench榜首,PaddleOCR-VL-1.5攻克真实退化场景,Youtu-Parsing实现22倍推理加速——国产OCR正以架构创新实现垂直领域“换道超车”。
1527 4
|
10月前
|
NoSQL 关系型数据库 分布式数据库
2026年阿里云数据库产品活动解析:云数据库 RDS、云原生数据库 PolarDB等数据库特惠
阿里云数据库活动为新用户提供全方位优惠,覆盖关系型、NoSQL及数据仓库产品。RDS新用户享指定规格3折/年或全系6折/年,如MySQL基础版100GB存储首年2232元起;PolarDB新用户全系规格6折/年,分布式版低至2.8折;Redis开源版2GB倚天版399元/年起,MongoDB指定规格1999元/年起;AnalyticDB MySQL版首月6折。活动涵盖从基础到企业级需求,助力企业以高性价比构建数据平台,降低上云门槛。
|
10月前
|
数据采集 安全 数据安全/隐私保护
代理地址≠协议!HTTPS使用误区拆解
跨境运营、爬虫从业者必看!99%人混淆的代理误区:代理地址带https≠HTTPS代理。关键看目标网站协议!目标为HTTPS时,即使代理是http,仍为HTTPS代理。掌握核心:目标URL决定代理类型,代理前缀仅影响传输加密。三步避坑指南,提升效率与隐私安全。
代理地址≠协议!HTTPS使用误区拆解
|
10月前
|
前端开发 CDN
微信小游戏的开发费用
微信小游戏开发费用因美术、玩法等差异大,轻量级3-8万,精品中度10-35万,重度游戏达50万以上。另需考虑软著、版号、服务器及买量等硬成本,运营投入常超开发。2026年混合变现与首发激励成新趋势。#微信游戏 #游戏外包
|
存储 人工智能 搜索推荐
Mem0 + Milvus:为人工智能构建持久化长时记忆
Mem0 为AI打造持久记忆层,结合Milvus向量数据库,让智能体记住用户偏好、追溯历史对话,实现个性化持续交互,告别“健忘”AI。
Mem0 + Milvus:为人工智能构建持久化长时记忆
|
存储 监控 数据可视化
常见的分布式定时任务调度框架
分布式定时任务调度框架用于在分布式系统中管理和调度定时任务,确保任务按预定时间和频率执行。其核心概念包括Job(任务)、Trigger(触发器)、Executor(执行器)和Scheduler(调度器)。这类框架应具备任务管理、任务监控、良好的可扩展性和高可用性等功能。常用的Java生态中的分布式任务调度框架有Quartz Scheduler、ElasticJob和XXL-JOB。
6423 66

热门文章

最新文章