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。
一个用 Docker 打包的 Python 应用,关联 fine-t2i 数据集,它的地址表明是用来探索这份数据的。README 没有描述,所以具体功能没有写明。
Fine T2i Api 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 ma-xu/fine-t2i-explore --repo-type space --local-dir fine-t2i-explore cd fine-t2i-explore
这个 Space 是一个用 Docker 打包的 Python 应用,关联一个叫 ma-xu/fine-t2i 的数据集。它的地址写的是 fine-t2i-explore,而 T2I 通常指文生图,所以它看起来是用来探索这个数据集的。README 没有描述,所以请把这当作对名字的解读。
适合关注 fine-t2i 数据集的人,也适合想看小型 Python 应用如何打包进容器的开发者。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 研究 | 数据集使用者 | 打开应用,看它提供的数据 | 查看托管页面 |
| 机器学习 | 开发者 | 阅读应用是怎么关联一个具名数据集的 | 读 app.py 和 templates 文件夹 |
| 软件 | Docker 用户 | 构建并运行本地副本 | 在端口 7860 上运行容器 |
如果你需要有文档的 API 或数据集指南,可以跳过,因为 README 两样都没有。
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 |
|---|---|---|
| 打开托管应用 | 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应用 |
| 阅读代码 | 学生 | 一个 Dockerfile、app.py 和一个 templates 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 ma-xu/fine-t2i-explore --repo-type space --local-dir fine-t2i-explore cd fine-t2i-explore docker build -t fine-t2i-explore . docker run -it -p 7860:7860 fine-t2i-explore
容器启动后,在自己电脑的浏览器里打开端口 7860,使用页面显示的内容。来源没有列出其他命令或选项。
docker run -it -p 7860:7860 fine-t2i-explore
你可以运行容器,打开页面,看看它从数据集中提供了什么。README 没有给出示例视图或输出,所以返回什么没有文档说明。
如果你是新手,先打开托管的 Space 点一点。只有想运行自己的副本或读代码,才需要安装 Docker。
如果你懂这个领域,这个应用是 app.py 加一个 templates 文件夹,由 Dockerfile 构建,在端口 7860 上提供服务,具名数据集是 ma-xu/fine-t2i。README 没有说数据是怎么加载的,有没有缓存,也没有说有哪些端点。
README 只是一个配置指引,所以应用的功能只是根据名字猜的。
一个用 Docker 打包的 Python 应用,关联 fine-t2i 数据集,它的地址表明是用来探索这份数据的。README 没有描述,所以具体功能没有写明。
由 ma-xu 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 是一个用 Docker 打包的 Python 应用,关联一个叫 ma-xu/fine-t2i 的数据集。它的地址写的是 fine-t2i-explore,而 T2I 通常指文生图,所以它看起来是用来探索这个数据集的。README 没有描述,所以请把这当作对名字的解读。
适合谁:适合关注 fine-t2i 数据集的人,也适合想看小型 Python 应用如何打包进容器的开发者。
行业 | 谁在用 | 怎么用 | 例子
研究 | 数据集使用者 | 打开应用,看它提供的数据 | 查看托管页面
机器学习 | 开发者 | 阅读应用是怎么关联一个具名数据集的 | 读 app.py 和 templates 文件夹
软件 | Docker 用户 | 构建并运行本地副本 | 在端口 7860 上运行容器
如果你需要有文档的 API 或数据集指南,可以跳过,因为 README 两样都没有。
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
打开托管应用 | 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应用
阅读代码 | 学生 | 一个 Dockerfile、app.py 和一个 templates 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 ma-xu/fine-t2i-explore --repo-type space --local-dir fine-t2i-explore
cd fine-t2i-explore
docker build -t fine-t2i-explore .
docker run -it -p 7860:7860 fine-t2i-explore
如何使用:容器启动后,在自己电脑的浏览器里打开端口 7860,使用页面显示的内容。来源没有列出其他命令或选项。
docker run -it -p 7860:7860 fine-t2i-explore
示例:你可以运行容器,打开页面,看看它从数据集中提供了什么。README 没有给出示例视图或输出,所以返回什么没有文档说明。
新手与专家:如果你是新手,先打开托管的 Space 点一点。只有想运行自己的副本或读代码,才需要安装 Docker。
如果你懂这个领域,这个应用是 app.py 加一个 templates 文件夹,由 Dockerfile 构建,在端口 7860 上提供服务,具名数据集是 ma-xu/fine-t2i。README 没有说数据是怎么加载的,有没有缓存,也没有说有哪些端点。
下载 Space
构建 Docker 镜像
在 7860 上运行容器
打开页面
注意事项:README 只是一个配置指引,所以应用的功能只是根据名字猜的。
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 |
|---|---|---|---|---|
| Fine T2i Api 本页 | 14 | docker | apache-2.0 | |
| Open LLM Leaderboard共有 docker | 14,156 | docker | apache-2.0 | |
| MTEB Leaderboard共有 docker | 7,773 | docker | mit | |
| UGI Leaderboard共有 docker | 2,199 | docker | apache-2.0 | |
| Microduck Sandbox共有 docker | 804 | docker | apache-2.0 | |
| Visualize Dataset (v2.0+ latest dataset format)共有 docker | 754 | docker | apache-2.0 |
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。