Bonsai-27B-GGUF
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
保存 AIpparel 的权重和数据集,这是一个面向数字服装、处理缝纫版型的多模态基础模型。适合做服装生成和编辑的研究人员。
AIpparel 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 georgeNakayama/AIpparel
AIpparel 是一个面向数字服装的多模态基础模型,作为 CVPR 2025 Highlight 发表。这个仓库是它官方存放模型权重和数据集的地方,它基于 LLaVA 1.5 7B 模型。
数据集叫 GarmentCodeData-Multimodal,简称 GCD-MM。它给缝纫版型加上了说明文字、关键词和编辑指令。
研究服装生成和文字编辑的研究人员和开发者最适合它。你从 Python 使用这些文件。
| Industry | Who uses it | How they use it | Example |
|---|---|---|---|
| 时尚科技 | 研究人员 | 研究缝纫版型生成 | 阅读与每个版型配对的说明文字 |
| 计算机图形 | 图形开发者 | 构建服装编辑工具 | 把原版型和一条编辑指令配成一对 |
| 机器学习 | 机器学习工程师 | 在服装数据上训练或微调 | 把数据集标注当作训练文本 |
如果你想要现成的设计应用,可以跳过它,因为这个仓库里是数据和权重,不是工具。
模型从官方代码仓库运行,而这个仓库提供文件。
| Use case | Who | What they get back |
|---|---|---|
| 服装数据集研究 | 研究人员 | 带说明文字和关键词的缝纫版型 |
| 版型编辑研究 | 图形开发者 | 原版型和编辑后的版型,以及它们的编辑指令 |
| 实验用权重 | 机器学习工程师 | 可以在其上继续构建的预训练检查点 |
你需要 Python、hub 工具和项目的代码。这个检查点没有包含 LLaVA 1.5 的一部分,所以你要另外获取。
pip install -U huggingface_hub hf download georgeNakayama/AIpparel
模型卡没有给出运行命令。它列出了要下载的文件,运行模型的方法在官方代码仓库里。
| Tool | What it does |
|---|---|
| aipparel_pretrained.pth | 预训练权重,不含 LLaVA 的视觉编码器和 mm-projector |
| gcd_mm_captions.zip | GCD-MM 数据集的说明文字标注 |
| gcd_mm_editing.zip | GCD-MM 数据集的编辑标注 |
| gcd-mm.parquet | 所有标注列的紧凑版本 |
parquet 文件有这些列:idx、descriptive_text、speculative_text、keywords、title、original_pattern、edited_pattern 和 edit_instruction。
你打开 parquet 文件,读其中一行。它给你一个缝纫版型的标题和关键词、一段详细说明、JSON 格式的原版型、一条编辑指令,以及 JSON 格式的编辑后版型。
缝纫版型是组成一件衣服的一套平面裁片,这个项目教模型去读懂并修改它们。第一个小尝试,是下载 parquet 文件,看几行内容。
在底层,说明文字有两种。descriptive 文字详细描述版型,speculative 文字推测一个适合它的场景。权重文件不含 LLaVA 1.5 的视觉编码器和投影器,所以你要自己把它们组合起来。
这个仓库只存数据和权重,光有权重不是一个完整的模型。
保存 AIpparel 的权重和数据集,这是一个面向数字服装、处理缝纫版型的多模态基础模型。适合做服装生成和编辑的研究人员。
由 georgeNakayama 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的,模型自己的文件和许可证在 Hugging Face 上。
它是什么:AIpparel 是一个面向数字服装的多模态基础模型,作为 CVPR 2025 Highlight 发表。这个仓库是它官方存放模型权重和数据集的地方,它基于 LLaVA 1.5 7B 模型。
数据集叫 GarmentCodeData-Multimodal,简称 GCD-MM。它给缝纫版型加上了说明文字、关键词和编辑指令。
适合谁:研究服装生成和文字编辑的研究人员和开发者最适合它。你从 Python 使用这些文件。
Industry | Who uses it | How they use it | Example
时尚科技 | 研究人员 | 研究缝纫版型生成 | 阅读与每个版型配对的说明文字
计算机图形 | 图形开发者 | 构建服装编辑工具 | 把原版型和一条编辑指令配成一对
机器学习 | 机器学习工程师 | 在服装数据上训练或微调 | 把数据集标注当作训练文本
如果你想要现成的设计应用,可以跳过它,因为这个仓库里是数据和权重,不是工具。
用在哪里:模型从官方代码仓库运行,而这个仓库提供文件。
Use case | Who | What they get back
服装数据集研究 | 研究人员 | 带说明文字和关键词的缝纫版型
版型编辑研究 | 图形开发者 | 原版型和编辑后的版型,以及它们的编辑指令
实验用权重 | 机器学习工程师 | 可以在其上继续构建的预训练检查点
如何设置:你需要 Python、hub 工具和项目的代码。这个检查点没有包含 LLaVA 1.5 的一部分,所以你要另外获取。
pip install -U huggingface_hub
hf download georgeNakayama/AIpparel
如何使用:模型卡没有给出运行命令。它列出了要下载的文件,运行模型的方法在官方代码仓库里。
Tool | What it does
aipparel_pretrained.pth | 预训练权重,不含 LLaVA 的视觉编码器和 mm-projector
gcd_mm_captions.zip | GCD-MM 数据集的说明文字标注
gcd_mm_editing.zip | GCD-MM 数据集的编辑标注
gcd-mm.parquet | 所有标注列的紧凑版本
parquet 文件有这些列:idx、descriptive_text、speculative_text、keywords、title、original_pattern、edited_pattern 和 edit_instruction。
示例:你打开 parquet 文件,读其中一行。它给你一个缝纫版型的标题和关键词、一段详细说明、JSON 格式的原版型、一条编辑指令,以及 JSON 格式的编辑后版型。
新手与专家:缝纫版型是组成一件衣服的一套平面裁片,这个项目教模型去读懂并修改它们。第一个小尝试,是下载 parquet 文件,看几行内容。
在底层,说明文字有两种。descriptive 文字详细描述版型,speculative 文字推测一个适合它的场景。权重文件不含 LLaVA 1.5 的视觉编码器和投影器,所以你要自己把它们组合起来。
下载权重和标注文件
获取 LLaVA 1.5 的编码器和投影器
按官方代码仓库来加载它们
处理缝纫版型和说明文字
注意事项:这个仓库只存数据和权重,光有权重不是一个完整的模型。
用 Hugging Face 的命令行下载它的文件:
pip install -U huggingface_hub
hf download georgeNakayama/AIpparel
然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。
README.md 5 KB
lmstudio-community · 工具包
面向 LM Studio 的 27B Bonsai 模型 GGUF 转换版,含 3.80 GB 的 Q1_0 语言文件和 0.93 GB 的 BF16 视觉投影器。已测试文本、视觉和并行工具调用。
LibertAIDAI · 工具包
以每权重 2.9 位的 EXL3 量化运行 DeepSeek-V4.1-Flash-1017,这是一份 196 GiB 的副本,适合在自己硬件上部署大模型的人。困惑度与原模型相差不大。
facebook · 工具包
根据文字描述或音频提示生成短音乐片段,是 facebook MusicGen 的 small 检查点。适合想在自己电脑上试用文字生成音乐的开发者和音乐爱好者。
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。
zimmerk4 · 工具包
用一个在 JAX 物理模拟器里学会的小型策略网络,从头到尾通关游戏 Getting Over It。适合强化学习研究者和好奇的动手爱好者。