anaksor-ocr
Sokheng · 工具包
这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。
收录 Jacobian 透镜文件,用来比较 Laguna-XS-2.1 的 bf16 与 NVFP4 副本,另有与 Laguna-XS.2 的版本对比。适合研究模型内部结构的人。
Laguna-XS.2-jlens 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 PrimeIntellect/Laguna-XS.2-jlens
这个仓库存放的是研究文件,不是聊天模型。它们是在 poolside 的 Laguna-XS-2.1 上拟合的 Jacobian 透镜,这个模型是混合专家模型,约 33B 参数、40 层、256 个专家。一个透镜来自 bf16 检查点,另一个来自它的 NVFP4 孪生版本,所以差异指向专家量化。
适合研究量化或新模型版本如何改变模型内部结构的研究者,也适合会读报告、会加载 PyTorch 文件的人。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| AI 研究 | 可解释性研究者 | 比较两种精度下的透镜拟合 | 检查 NVFP4 专家让各层偏移了多少 |
| 模型工程 | 量化团队 | 判断 4 位专家格式在模型内部改变了什么 | 在发布量化副本前先读这份 A/B 报告 |
| 模型评测 | 评测者 | 比较同一模型的两个版本 | 看 Laguna XS.2 与 XS-2.1 的对比 |
想和模型聊天或生成文本的人可以跳过,因为这里只有分析文件。
| 使用场景 | 谁用 | 得到什么 |
|---|---|---|
| 量化 A/B | 研究者 | 在同样 200 条提示词上拟合的两个合并透镜 |
| 稳定性检查 | 研究者 | 每组八个按 GPU 划分的分片透镜,外加收敛文件 |
| 版本对比 | 研究者 | Laguna-XS.2 的另一组拟合,以及与 XS-2.1 的对比 |
先准备好:
pip install -U huggingface_hub hf download PrimeIntellect/Laguna-XS.2-jlens
先看 results 文件夹里的报告和汇总文件。再比较两个合并透镜,每种精度一个。分片和收敛文件夹可以让你检查每次拟合有多稳定。xs2 文件夹里是较早的 Laguna-XS.2 的同样拟合。
| 工具 | 作用 |
|---|---|
| laguna_bf16_jacobian_lens.pt | 来自 bf16 检查点的合并透镜 |
| laguna_nvfp4_jacobian_lens.pt | 来自 NVFP4 孪生版本的合并透镜 |
| shards 文件夹 | 按 GPU 划分的透镜,每个 25 条提示词,两组用同样的提示词 |
| convergence 文件夹 | 记录每个分片拟合收敛情况的 CSV 文件 |
| results 文件夹 | 汇总文件、分析数组、图表和书面报告 |
你先打开书面报告,再加载两个合并透镜,逐层比较。说明页称,NVFP4 带来的变化在 1-CKA 尺度上是 0.008,接近提示词噪声带来的 0.007。
透镜是一种读取模型各层在做什么的工具。这里同一个模型被读了两次,一次是完整精度,一次是压缩过的专家,看压缩有没有改变它的内部结构。一个好的第一步是读报告。
两个透镜用的提示词完全相同,是 wikitext-103 里长度 128 的 200 条,覆盖全部 39 个源层。非专家张量逐位一致,所以差距来自专家量化。从 XS.2 换到 XS-2.1,透镜的变化比 NVFP4 大约 43 倍,但两者的深度结构都保留了下来。
说明页在同样的提示词上对三种变化来源做了排序,用 1 减 CKA 来衡量。
收录 Jacobian 透镜文件,用来比较 Laguna-XS-2.1 的 bf16 与 NVFP4 副本,另有与 Laguna-XS.2 的版本对比。适合研究模型内部结构的人。
由 PrimeIntellect 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:这个仓库存放的是研究文件,不是聊天模型。它们是在 poolside 的 Laguna-XS-2.1 上拟合的 Jacobian 透镜,这个模型是混合专家模型,约 33B 参数、40 层、256 个专家。一个透镜来自 bf16 检查点,另一个来自它的 NVFP4 孪生版本,所以差异指向专家量化。
适合谁:适合研究量化或新模型版本如何改变模型内部结构的研究者,也适合会读报告、会加载 PyTorch 文件的人。
行业 | 谁在用 | 怎么用 | 例子
AI 研究 | 可解释性研究者 | 比较两种精度下的透镜拟合 | 检查 NVFP4 专家让各层偏移了多少
模型工程 | 量化团队 | 判断 4 位专家格式在模型内部改变了什么 | 在发布量化副本前先读这份 A/B 报告
模型评测 | 评测者 | 比较同一模型的两个版本 | 看 Laguna XS.2 与 XS-2.1 的对比
想和模型聊天或生成文本的人可以跳过,因为这里只有分析文件。
用在哪里:
使用场景 | 谁用 | 得到什么
量化 A/B | 研究者 | 在同样 200 条提示词上拟合的两个合并透镜
稳定性检查 | 研究者 | 每组八个按 GPU 划分的分片透镜,外加收敛文件
版本对比 | 研究者 | Laguna-XS.2 的另一组拟合,以及与 XS-2.1 的对比
如何设置:
先准备好:
pip install -U huggingface_hub
hf download PrimeIntellect/Laguna-XS.2-jlens
如何使用:
先看 results 文件夹里的报告和汇总文件。再比较两个合并透镜,每种精度一个。分片和收敛文件夹可以让你检查每次拟合有多稳定。xs2 文件夹里是较早的 Laguna-XS.2 的同样拟合。
Title: 说明页提到的文件和文件夹
工具 | 作用
laguna_bf16_jacobian_lens.pt | 来自 bf16 检查点的合并透镜
laguna_nvfp4_jacobian_lens.pt | 来自 NVFP4 孪生版本的合并透镜
shards 文件夹 | 按 GPU 划分的透镜,每个 25 条提示词,两组用同样的提示词
convergence 文件夹 | 记录每个分片拟合收敛情况的 CSV 文件
results 文件夹 | 汇总文件、分析数组、图表和书面报告
示例:
你先打开书面报告,再加载两个合并透镜,逐层比较。说明页称,NVFP4 带来的变化在 1-CKA 尺度上是 0.008,接近提示词噪声带来的 0.007。
新手与专家:
透镜是一种读取模型各层在做什么的工具。这里同一个模型被读了两次,一次是完整精度,一次是压缩过的专家,看压缩有没有改变它的内部结构。一个好的第一步是读报告。
两个透镜用的提示词完全相同,是 wikitext-103 里长度 128 的 200 条,覆盖全部 39 个源层。非专家张量逐位一致,所以差距来自专家量化。从 XS.2 换到 XS-2.1,透镜的变化比 NVFP4 大约 43 倍,但两者的深度结构都保留了下来。
取 200 条相同的提示词
在 bf16 和 NVFP4 上各拟合一个透镜
用 CKA 逐层比较
对照提示词噪声来读差距
注意事项:说明页在同样的提示词上对三种变化来源做了排序,用 1 减 CKA 来衡量。
Title: 相同提示词下的变化,1 减 CKA
提示词噪声: 0.007 units
NVFP4 量化: 0.008 units
模型版本: 0.362 units
用 Hugging Face 的命令行下载它的文件:
pip install -U huggingface_hub
hf download PrimeIntellect/Laguna-XS.2-jlens
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
Sokheng · 工具包
这个模型从文档、收据和路牌照片里读取高棉语和英语文字,用一个检测器找文本行,再用识别器读每一行。适合需要在 Python 里做高棉语 OCR 的开发者。
Qwen · 工具包
Qwen2.5-7B-Instruct 的 GGUF 文件,提供八种量化大小,可通过 llama.cpp 在本地聊天。适合想在自己电脑上用 7.6B 强力模型、又不想搭 Python 环境的人。
ACE-Step · 工具包
用 4B 扩散解码器根据文字生成音乐,50 步并带引导控制,音频质量高于基础版。适合拥有 12 GB 或更多显存 GPU 的创作者。
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。