魔搭社区每周速递(8.11-8.17)

在线体验各类最新模型,更有模型 免费Token 额度领取!
立即体验
简介: 607个模型、53个数据集、68个创新应用、5篇应用文章

🙋魔搭ModelScope本期社区进展:

📟607个模型:GTE文本向量-多语言系列、mPLUG-Owl3-7B、Idefics3-8B-Llama3等;

📁53个数据集:ChineseChildrenSpeechData、UltraLink、对话-百科(中文)训练集等;

🎨68个创新应用CompassArena 司南大模型竞技场(多模态上新)、通义千问2-VL、LongWriter-glm4-9b-demo、mPLUG-Owl3等;

📄5篇文章:

  • LMDeploy 部署 VLMs 的方法与探讨
  • ModelScope Release Notes 2024-08
  • 更高效的RAG文本检索和排序: 多语言GTE系列模型开源
  • Ollama+Qwen2,轻松搭建支持函数调用的聊天系统
  • Compass Arena上新!新增双多模态模型匿名对战!

精选模型

GTE文本-多语言系列

通义实验室推出了GTE(General Text Embedding)系列文本向量模型,涵盖了基于BERT架构的模型及基于Qwen LLM系列训练的LLM embedding模型,如gte-Qwen2-1.5B-instruct和gte-Qwen2-7B-instruct。

模型链接:

GTE文本向量-多语言-base

https://modelscope.cn/models/iic/gte_sentence-embedding_multilingual-base

GTE文本排序-多语言-base

https://modelscope.cn/models/iic/gte_passage-ranking_multilingual-base

代码示例:

以GTE文本排序-多语言-base为例

import torch
from modelscope import AutoModelForSequenceClassification, AutoTokenizer
model_name_or_path = "iic/gte_passage-ranking_multilingual-base"
tokenizer = AutoTokenizer.from_pretrained(model_name_or_path)
model = AutoModelForSequenceClassification.from_pretrained(model_name_or_path, trust_remote_code=True)
model.eval()
with torch.no_grad():
    pairs = [["中国的首都在哪儿", "北京"], ["what is the capital of China?", "北京"], ["how to implement quick sort in python?","Introduction of quick sort"]]
    inputs = tokenizer(pairs, padding=True, truncation=True, return_tensors='pt', max_length=8192)
    scores = model(**inputs, return_dict=True).logits.view(-1, ).float()
    print(scores)
# tensor([1.2315, 0.5923, 0.3041])

更多实战教程详见:

更高效的RAG文本检索和排序: 多语言GTE系列模型开源

mPLUG-Owl3-7B-240728

mPLUG-Owl3 是一种先进的多模态大型语言模型,旨在解决长图像序列理解的挑战,作者提出了Hyper Attention,可以将多模态大型语言模型在长视觉序列理解的速度提高六倍,从而实现处理长达八倍的视觉序列。与此同时,mPLUG-Owl3在单一图像、多图像和视频任务上仍然保持着出色的表现。

模型链接:

https://www.modelscope.cn/models/iic/mPLUG-Owl3-7B-240728

Web-UI代码链接:

https://github.com/X-PLUG/mPLUG-Owl/blob/main/mPLUG-Owl3/gradio_demo.py

Idefics3-8B-Llama3

Idefics3-8B-Llama3是由HuggingFace 研究人员推出的开放多模态模型,为增强文档问答而设计,它接受图像和文本输入的任意序列并生成文本输出。该模型可以回答有关图像的问题、描述视觉内容、创建基于多个图像的故事,或者只是表现为没有视觉输入的纯语言模型。它改进了 Idefics1 和 Idefics2,显著增强了 OCR、文档理解和视觉推理方面的功能。

模型链接:

https://www.modelscope.cn/models/AI-ModelScope/Idefics3-8B-Llama3

代码示例:

import requests
import torch
from PIL import Image
from io import BytesIO
from modelscope import snapshot_download
from transformers import AutoProcessor, AutoModelForVision2Seq
from transformers.image_utils import load_image
DEVICE = "cuda:0"
# Note that passing the image urls (instead of the actual pil images) to the processor is also possible
image1 = load_image("https://cdn.britannica.com/61/93061-050-99147DCE/Statue-of-Liberty-Island-New-York-Bay.jpg")
image2 = load_image("https://cdn.britannica.com/59/94459-050-DBA42467/Skyline-Chicago.jpg")
image3 = load_image("https://cdn.britannica.com/68/170868-050-8DDE8263/Golden-Gate-Bridge-San-Francisco.jpg")
model_dir = snapshot_download("AI-ModelScope/Idefics3-8B-Llama3")
processor = AutoProcessor.from_pretrained(model_dir)
model = AutoModelForVision2Seq.from_pretrained(
    model_dir, torch_dtype=torch.bfloat16
).to(DEVICE)
# Create inputs
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "What do we see in this image?"},
        ]
    },
    {
        "role": "assistant",
        "content": [
            {"type": "text", "text": "In this image, we can see the city of New York, and more specifically the Statue of Liberty."},
        ]
    },
    {
        "role": "user",
        "content": [
            {"type": "image"},
            {"type": "text", "text": "And how about this image?"},
        ]
    },       
]
prompt = processor.apply_chat_template(messages, add_generation_prompt=True)
inputs = processor(text=prompt, images=[image1, image2], return_tensors="pt")
inputs = {k: v.to(DEVICE) for k, v in inputs.items()}
# Generate
generated_ids = model.generate(**inputs, max_new_tokens=500)
generated_texts = processor.batch_decode(generated_ids, skip_special_tokens=True)
print(generated_texts)

数据集推荐

LongWriter-6k

为解决当前LLM超长文本输出问题,智谱AI推出的最新研究工作LongWriter,提出AgentWrite,使用分而治之的方法和现成的LLM自动构建具有超长输出的SFT数据,并且使用这种方法,构建了LongWriter-6k数据集。

LongWriter-6k数据集包含了6,000条超长输出的SFT(序列到序列Fine-Tuning)数据,这些输出的长度范围在2千到3万2千词之间(包括英文和中文)。该数据集能支持训练大型语言模型(LLMs),以扩展其最大输出窗口大小至1万词以上。

数据集链接:

https://www.modelscope.cn/datasets/ZhipuAI/LongWriter-6k

ChineseChildrenSpeechData

用于178小时中国儿童麦克风语音采集数据数据 中文语音识别模型”模型的测试任务

数据集链接:

https://www.modelscope.cn/datasets/zuosi041116/ChineseChildrenSpeechData

UltraLink

UltraLink是一个多语言、以知识为基础的数据增强、多轮对话数据集。它包含 5 种语言的特定语言聊天数据、与语言无关的聊天数据、代码数据和数学数据:英语、中文、西班牙语、俄语和法语。

数据集链接:

https://www.modelscope.cn/datasets/OmniData/UltraLink

对话-百科(中文)训练集

数据集是一个综合性学术资源,汇集了历史、科技、生活百科、商业智慧、文化娱乐、美食探索及城市导览等多个维度的知识,为学术研究和人工智能应用的开发提供了丰富的素材和启发。

数据集链接:

https://www.modelscope.cn/datasets/qiaojiedongfeng/qiaojiedongfeng

精选应用

CompassArena 司南大模型竞技场(多模态上新)

近日,Compass Arena 迎来重磅更新,新增了多模态大模型竞技版块——Compass Multi-Modal Arena。在这个全新的竞技场,用户可以轻松体验和比较多款主流多模态大模型的效果,找到适合自己的多模态大模型。目前平台已汇集了十余个主流多模态大模型,包括 InternVL2、MiniCPM-V2.5、LLaVANeXT、DeepSeek-VL 等开源模型,以及 Qwen-VL-Max、GLM-4v 等闭源模型。

体验直达:

https://www.modelscope.cn/studios/opencompass/CompassArena

image.png

通义千问2-VL

通义千问2-VL是通义实验室推出的先进视觉-语言模型,擅长理解和生成图像相关的文本,为多模态AI应用提供强大的技术支持。

体验直达:

https://www.modelscope.cn/studios/qwen/Qwen2-VL

LongWriter-glm4-9b-demo

LongWriter-glm4-9b基于glm4-9b训练,一次性可以生成超过10000+文字。

体验直达:

https://www.modelscope.cn/studios/ZhipuAI/LongWriter-glm4-9b-demo

mPLUG-Owl3

由阿里通义实验室X-PLUG团队提出的长序列多模态大语言模型。其可以处理单图、多图、视频等多种图文混合对话模式。

体验直达:

https://www.modelscope.cn/studios/iic/mPLUG-Owl3

社区精选文章


点击链接👇直达原文

https://www.modelscope.cn/headlines/article/625?from=alizishequ__text

相关文章
|
8月前
|
人工智能 Linux C++
VideoLLaMA 3新一代前沿多模态基础模型赋能图像与视频深度理解| LLM | 计算机视觉
VideoLLaMA 3是2025年发布的前沿多模态模型,深度融合视觉、音频与语言,支持长视频、高分辨率图像理解及视听融合推理。基于Llama 3架构,具备强大时空因果分析能力,适用于复杂视频理解任务,已在Lab4AI平台开放复现。
709 1
VideoLLaMA 3新一代前沿多模态基础模型赋能图像与视频深度理解| LLM | 计算机视觉
|
小程序 前端开发 JavaScript
微信小程序连接数据库与WXS的使用
微信小程序连接数据库与WXS的使用
571 0
|
5月前
|
自然语言处理 监控 机器人
喂饭级教程:OpenClaw(Clawdbot)阿里云及Windows本地部署,集成 QQ 核心操作速查
OpenClaw(原Clawdbot,前身为Moltbot)作为一款轻量化AI自动化代理工具,具备自然语言理解、任务自动化与多工具集成能力,核心价值在于实现“指令下达即任务执行”的全链路自动化。2026年,其优化了跨平台部署流程与QQ集成适配逻辑,支持阿里云云端部署(7×24小时稳定运行)与Windows本地部署(零成本快速测试),同时新增QQ官方机器人与个人号两种集成方式,无需复杂代码开发,即可实现QQ端与OpenClaw的无缝联动。
1816 2
|
8月前
|
机器学习/深度学习 传感器 数据采集
Python函数式编程入门:map、filter与lambda的正确用法
本文深入浅出地介绍了Python函数式编程核心工具:map、filter与lambda。通过真实案例,展示如何用函数式思维重构冗长循环,实现简洁高效的数据处理流水线,并对比列表推导式、探讨性能与最佳实践,助你提升代码质量与编程思维。
441 1
|
前端开发 安全 JavaScript
2025年,Web3开发学习路线全指南
本文提供了一条针对Dapp应用开发的学习路线,涵盖了Web3领域的重要技术栈,如区块链基础、以太坊技术、Solidity编程、智能合约开发及安全、web3.js和ethers.js库的使用、Truffle框架等。文章首先分析了国内区块链企业的技术需求,随后详细介绍了每个技术点的学习资源和方法,旨在帮助初学者系统地掌握Dapp开发所需的知识和技能。
2025年,Web3开发学习路线全指南
|
存储 数据可视化 搜索推荐
「从0到1搭建知识库:设计团队的效率革命」
在快节奏的设计行业中,团队协作的效率和质量至关重要。本文探讨了如何通过搭建高效的设计团队知识库解决信息分散、规范不统一等问题,提升团队协同效率。内容涵盖知识库的核心价值、常见痛点、搭建方法、运营策略及未来趋势,帮助团队实现从混乱到高效的转变。知识库不仅能统一设计规范、沉淀最佳实践,还能提高新人上手速度。文章还介绍了内容框架设计、流程化管理、工具赋能等黄金方法论,并展望了智能化与场景化的未来趋势。
1126 10
|
测试技术 开发工具 Swift
Liger kernel训练加速,一行代码训练吞吐量提高 20%,显存使用量降低 60%
在LLM的训练/微调过程中,开发者通常会遇到一些瓶颈,包括GPU显存不够,经常遇到OOM,GPU使用率100%而且非常慢等。
Liger kernel训练加速,一行代码训练吞吐量提高 20%,显存使用量降低 60%
|
数据采集 存储 NoSQL
提高爬虫性能的 5 个关键技巧:从并发到异步执行
本文介绍了提高网络爬虫性能的五个关键技巧:并发请求、异步执行、使用代理IP、限制请求频率与休眠时间、优化数据提取与存储。结合拼多多的实际案例,展示了如何通过这些技术优化爬虫效率,确保数据采集的高效性和稳定性。
1147 0
|
机器学习/深度学习 数据可视化 Swift
Florence-2,小模型推进视觉任务的统一表征
Florence-2是一种新颖的视觉基础模型,具有统一的、基于提示的表示,可用于各种计算机视觉和视觉语言任务。