DeepSeek-R1-GGUF
unsloth · 工具包
671B 参数 DeepSeek-R1 推理模型的 GGUF 版本,带 1.58-bit 和 2-bit 动态量化,可在内存足够的本机上用 llama.cpp 运行。
一个 ExpertLongBench 的 Streamlit 排行榜页面,用 Docker 打包,并关联同名数据集。README 除了排行榜标题和 Streamlit 起步说明外几乎没有别的文字。
ExpertLongBench 是一款工具包,属于研究类,由 Mindket 上架。可免费获取。当前为第 1 版,最近更新于 。在本页下载,是一个装着它全部文件的 zip 压缩包。这些文件不会自己运行。
pip install -U huggingface_hub hf download launch/ExpertLongBench --repo-type space --local-dir ExpertLongBench cd ExpertLongBench
这个 Space 是 ExpertLongBench 的排行榜,用 Streamlit 构建,用 Docker 打包。它提到一个叫 launch/ExpertLongBench 的数据集。README 只有排行榜标题和标准的 Streamlit 起步说明,所以这里没有描述这个基准测试的任务和评分。
适合关注 ExpertLongBench 基准测试的研究者,也适合想看 Streamlit 排行榜如何打包进容器的开发者。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 研究 | 关注基准测试的人 | 打开排行榜,查看列出的结果 | 查看托管页面 |
| 机器学习 | 开发者 | 阅读排行榜应用是怎么在容器里构建的 | 读 Dockerfile 和 src 文件夹 |
| 软件 | Docker 用户 | 构建并运行本地副本 | 在端口 8501 上运行容器 |
如果你需要这个基准测试的方法或规则,可以跳过,因为来源没有解释它们。
你可以在线打开,也可以在自己的电脑上运行容器。
| 用途 | 谁用 | 得到什么 |
|---|---|---|
| 查看排行榜 | 任何人 | 浏览器标签页里运行的页面 |
| 运行本地副本 | 开发者 | 从容器提供的同一个页面 |
| 阅读代码 | 学生 | 一个 Dockerfile、一个包列表和一个 src 文件夹 |
在线使用什么都不需要,它在 Hugging Face 的基础 CPU 硬件上运行。本地副本需要 Python、pip 和 Docker。
pip install -U huggingface_hub hf download launch/ExpertLongBench --repo-type space --local-dir ExpertLongBench cd ExpertLongBench docker build -t expertlongbench . docker run -it -p 8501:8501 expertlongbench
容器启动后,在自己电脑的浏览器里打开端口 8501,浏览页面显示的排行榜。来源没有列出其他命令或选项。
docker run -it -p 8501:8501 expertlongbench
你可以运行容器,打开页面查看排行榜。README 没有给出示例条目或分数,所以表里有什么没有文档说明。
如果你是新手,先打开托管的 Space 读一读排行榜,再决定要不要安装 Docker。只有想读或改代码时,本地运行才值得。
如果你懂这个领域,这个应用是在 Dockerfile 构建里运行的 Streamlit,监听端口 8501,基准数据来自提到的数据集。README 仍然显示 Streamlit 起步文字,所以结果如何加载和更新没有文档说明。
README 把排行榜标题和遗留的 Streamlit 起步文字混在一起。
一个 ExpertLongBench 的 Streamlit 排行榜页面,用 Docker 打包,并关联同名数据集。README 除了排行榜标题和 Streamlit 起步说明外几乎没有别的文字。
由 launch 在 Hugging Face 上制作。这些说明是 Mindket 根据它的 Space 页面和 README 写的,应用自己的文件和许可证在 Hugging Face 上。
它是什么:这个 Space 是 ExpertLongBench 的排行榜,用 Streamlit 构建,用 Docker 打包。它提到一个叫 launch/ExpertLongBench 的数据集。README 只有排行榜标题和标准的 Streamlit 起步说明,所以这里没有描述这个基准测试的任务和评分。
适合谁:适合关注 ExpertLongBench 基准测试的研究者,也适合想看 Streamlit 排行榜如何打包进容器的开发者。
行业 | 谁在用 | 怎么用 | 例子
研究 | 关注基准测试的人 | 打开排行榜,查看列出的结果 | 查看托管页面
机器学习 | 开发者 | 阅读排行榜应用是怎么在容器里构建的 | 读 Dockerfile 和 src 文件夹
软件 | Docker 用户 | 构建并运行本地副本 | 在端口 8501 上运行容器
如果你需要这个基准测试的方法或规则,可以跳过,因为来源没有解释它们。
用在哪里:你可以在线打开,也可以在自己的电脑上运行容器。
用途 | 谁用 | 得到什么
查看排行榜 | 任何人 | 浏览器标签页里运行的页面
运行本地副本 | 开发者 | 从容器提供的同一个页面
阅读代码 | 学生 | 一个 Dockerfile、一个包列表和一个 src 文件夹
如何设置:在线使用什么都不需要,它在 Hugging Face 的基础 CPU 硬件上运行。本地副本需要 Python、pip 和 Docker。
pip install -U huggingface_hub
hf download launch/ExpertLongBench --repo-type space --local-dir ExpertLongBench
cd ExpertLongBench
docker build -t expertlongbench .
docker run -it -p 8501:8501 expertlongbench
如何使用:容器启动后,在自己电脑的浏览器里打开端口 8501,浏览页面显示的排行榜。来源没有列出其他命令或选项。
docker run -it -p 8501:8501 expertlongbench
示例:你可以运行容器,打开页面查看排行榜。README 没有给出示例条目或分数,所以表里有什么没有文档说明。
新手与专家:如果你是新手,先打开托管的 Space 读一读排行榜,再决定要不要安装 Docker。只有想读或改代码时,本地运行才值得。
如果你懂这个领域,这个应用是在 Dockerfile 构建里运行的 Streamlit,监听端口 8501,基准数据来自提到的数据集。README 仍然显示 Streamlit 起步文字,所以结果如何加载和更新没有文档说明。
下载 Space
构建 Docker 镜像
在 8501 上运行容器
打开排行榜
注意事项:README 把排行榜标题和遗留的 Streamlit 起步文字混在一起。
在浏览器里打开这个 Space,或在它的页面上把它复制到你自己的 Hugging Face 账号。这个工具包里没有会自己运行的东西。
README.md 4 KB
同一分类里与本产品共有标签最多的已上架 Hugging Face Space。
| 产品 | 点赞 | 构建方式 | 许可证 | 最近更新 |
|---|---|---|---|---|
| ExpertLongBench 本页 | 4 | docker | cc-by-nc-4.0 | |
| fev-bench共有 streamlit · docker | 72 | docker | apache-2.0 | |
| AI Phone Leaderboard共有 streamlit | 127 | streamlit | mit | |
| Outsmart共有 streamlit | 62 | streamlit | mit | |
| HF BERTopic共有 streamlit | 24 | streamlit | mit | |
| HF SHAP共有 streamlit | 8 | streamlit | mit |
unsloth · 工具包
671B 参数 DeepSeek-R1 推理模型的 GGUF 版本,带 1.58-bit 和 2-bit 动态量化,可在内存足够的本机上用 llama.cpp 运行。
prithivMLmods · 工具包
提供 Axion-1.0-35B 的 GGUF 文件,这是一个有约 30 亿激活参数的 35B 混合专家模型,面向科学推理、信息查找和工具使用。适合配合 llama.cpp 在本地使用。
Phips · 工具包
用一个超分辨率网络放大低分辨率图像,可以在一块消费级 GPU 上训练,并导出为 ONNX。适合训练或运行图像放大模型的人。
allenai · 工具包
allenai 的 ToyBlocks 积木堆叠项目的底层动作模型,用模拟的 Franka 机械臂数据训练,能在桌面上拾取、放置和旋转三块积木。这是面向机器人学的研究模型。
AbdomenAtlas · 工具包
在 CT 扫描上检测并勾画 9 个器官的肿瘤,使用从放射学报告中学习的 R-Super 方法训练。这是面向医学影像团队的研究模型,采用非商业许可。
dBenf · 工具包
回答关于卫星图像块的类型化问题,使用 Sentinel-2 的全部 12 个波段,为每个选项返回概率,不生成文字。这是 Qwen3.5-0.8B 的微调版本,适合地球观测研究者。