魔搭社区模型速递（6.8-6.14）

2025-06-16 666

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： 魔搭ModelScope本期社区进展：1173个模型,143个数据集,76个创新应用,10 篇内容

编辑

🙋魔搭ModelScope本期社区进展：

📟1173个模型：Magistral-Small-2506、dots.llm1、MonkeyOCR等；

📁143个数据集：saisdata、OpenThoughts3-1.2M、MMVU等；

🎨76个创新应用：BMMR-Leaderboard-detailed、RedNoob、openaudio-s1-mini等；

📄 10 篇内容：

告别‘人海战术’！基于EvalScope 的文生图模型智能评测新方案
UGPhysics：本科物理推理评估基准发布，助力AI+Physics交叉研究
支持自主创建MCP啦！一文带你玩转魔搭MCP广场，从idea到部署自己的MCP到魔搭
One-to-Normal Anomaly Personalization：少样本异常识别新突破，扩散模型助力精准检测
从种草生活到种草AI，小红书发布首个开源大模型dots.llm1
趣丸千音MCP首发上线魔搭社区，多重技术引擎，解锁AI语音无限可能
想一年不如实实在在干两天 | 52小时创业森林开启报名
AgentScope 与 MCP：实践、思考与展望
“一丹一世界”三等奖 | 蓝色幻想经验分享-AIGC商业海报落地
十万奖金等你来战！第二届“隐语杯”数据挑战赛报名正式启动！

01.模型推荐

Magistral-Small-2506

Magistral-Small-2506是基于Mistral Small 3.1（2503版本）的升级模型，通过融合Magistral Medium轨迹的监督微调（SFT）与强化学习（RL）训练，显著增强推理能力。这款高效的小型推理模型参数量达240亿，量化后可在单张RTX 4090显卡或32GB内存的MacBook本地部署。

Magistral-Small-2506具备长推理链能力，支持英语、法语、中文等数十种语言，采用Apache 2.0开源许可（允许商业及非商业使用）。其128k上下文窗口实际建议设为40k，超过此范围性能可能下降。

模型链接：

https://modelscope.cn/models/mistralai/Magistral-Small-2506

示例代码：

推荐使用vLLM，按如下方式启动模型：

VLLM_USE_MODELSCOPE=true vllm serve mistralai/Magistral-Small-2506 --tokenizer_mode mistral --config_format mistral --load_format mistral --tool-call-parser mistral --enable-auto-tool-choice --tensor-parallel-size 2

dots.llm1

dots.llm1 模型是小红书Hi lab团队（Humane Intelligence Lab）推出的一个大规模的 MoE 模型，从总共 142B 参数中激活了 14B 参数，性能与当前最先进的开源模型相当。通过rednote-hilab研究团队精心设计和高效的数据处理流水线，dots.llm1 在没有合成数据的情况下，在高质量语料库上预训练后，达到了与 Qwen2.5-72B 相当的性能。为了进一步促进研究，研究团队开源了整个训练过程中的中间训练Checkpoint，并提供了对大型语言模型学习动态的宝贵见解。

模型链接：

https://modelscope.cn/organization/rednote-hilab

示例代码：

推荐使用Docker 进行模型推理，Docker 镜像可在 Docker Hub（https://hub.docker.com/repository/docker/rednotehilab/dots1/tags）上找到。

可以通过 vllm 启动一个服务器

docker run --gpus all \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    -p 8000:8000 \
    --ipc=host \
    rednotehilab/dots1:vllm-openai-v0.9.0.1 \
    --model rednote-hilab/dots.llm1.inst \
    --tensor-parallel-size 8 \
    --trust-remote-code \
    --served-model-name dots1

然后可以通过以下方式验证模型是否成功运行

curl http://localhost:8000/v1/chat/completions \
    -H "Content-Type: application/json" \
    -d '{
        "model": "dots1",
        "messages": [
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "Who won the world series in 2020?"}
        ],
        "max_tokens": 32,
        "temperature": 0
    }'

更多推理实战教程详见：

从种草生活到种草AI，小红书发布首个开源大模型dots.llm1

MonkeyOCR

MonkeyOCR是由华中科技大学联合金山办公推出的一款文档解析模型，具备高精度和强泛化能力。该模型支持多语言、多场景的文字检测与识别，适用于文档数字化、内容审核、信息提取等多种应用场合。与传统方法相比，MonkeyOCR在处理复杂文档时，平均性能提升5.1%，在公式和表格解析上分别提升15%、8.6%。

模型链接：

https://modelscope.cn/models/AI-ModelScope/MonkeyOCR

示例代码：

安装 MonkeyOCR

conda create -n MonkeyOCR python=3.10conda activate MonkeyOCRgit clone https://github.com/Yuliang-Liu/MonkeyOCR.gitcd MonkeyOCR# Install pytorch, see https://pytorch.org/get-started/previous-versions/ for your cuda versionpip install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 --index-url https://download.pytorch.org/whl/cu124 pip install -e .

下载模型权重

pip install modelscope
python tools/download_model.py -t modelscope

推理

# Make sure in MonkeyOCR directory
python parse.py path/to/your.pdf
# or with image as input
pyhton parse.py path/to/your/image
# Specify output path and model configs path
python parse.py path/to/your.pdf -o ./output -c config.yaml