Mindket
简体中文
English简体中文
登录注册
商店MCP技能计算器学习价格博客
发现
研究312写作59商务95法律13财务33营销175开发1,422效率391教育81陪伴14
帮助与支持
语言
English简体中文

GIFT Eval

由 Salesforce 制作工具包研究
新上架第 1 版 · 更新于
点赞

概览

Salesforce 的 GIFT-Eval 页面，这是一个通用时间序列预测基准。仓库里有结果文件夹和应用代码。适合比较模型的预测研究者和机器学习工程师。

GIFT Eval 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。

速览

你需要
  • 在线页面需要网页浏览器
  • 本地副本需要 Python 3.10.0
  • requirements.txt 里列出的包
用在
  • 网页浏览器：打开 Hugging Face 上的 Space 页面
  • Windows、macOS 或 Linux：用 Python 3.10.0 运行一份副本
先运行
pip install -U huggingface_hub
hf download Salesforce/GIFT-Eval --repo-type space --local-dir GIFT-Eval
cd GIFT-Eval

平台

Windows操作系统
macOS操作系统
Linux操作系统

关于

它是什么

这个 Space 属于 GIFT-Eval，一个来自 Salesforce 的通用时间序列预测基准。时间序列预测就是估计一个被测量序列的未来值。仓库里在应用旁边有一个结果文件夹，所以页面看起来是在展示基准结果，不过 README 除了标题几乎没说什么。

适合谁

如果你构建或选择预测模型，想要一个共同的基准，它很适合研究者和机器学习工程师，也适合想看预测模型怎样比较的学生。

行业谁在用怎么用例子
研究预测研究者查看模型的基准结果查看一个模型系列的位置
机器学习机器学习工程师按基准表现选预测模型在选定之前对比候选模型
教育学生了解预测模型怎样被评估阅读基准的结果页面
软件开发者阅读展示基准结果的应用打开 app.py 和 src 文件夹

如果你需要对自己的数据做预测的工具，可以跳过它，因为这个页面讲的是基准。

用在哪里

  • 网页浏览器：打开 Hugging Face 上的 Space 页面
  • Windows、macOS 或 Linux：用 Python 3.10.0 运行一份副本
用途谁用得到什么
浏览结果研究者基准公布的结果
对比模型机器学习工程师预测模型得分情况的视图
运行自己的副本开发者同一个应用在你自己的电脑上

如何设置

在线页面什么都不需要。本地副本需要 Python 3.10.0 和 requirements.txt 里的包。

  • 在线页面需要网页浏览器
  • 本地副本需要 Python 3.10.0
  • requirements.txt 里列出的包
  1. 想在线使用，打开 Hugging Face 上的 Space 页面。
  2. 想运行副本，先安装 Hugging Face hub 包。
  3. 把 Space 下载到本地文件夹。
  4. 进入该文件夹，安装 Gradio 4.44.0 和列出的包。
  5. 启动应用。
pip install -U huggingface_hub
hf download Salesforce/GIFT-Eval --repo-type space --local-dir GIFT-Eval
cd GIFT-Eval
pip install gradio==4.44.0
pip install -r requirements.txt
python app.py

如何使用

在应用所在文件夹启动它，或者直接打开在线 Space，然后读页面上显示的内容。README 没有使用说明，所以请浏览页面和结果文件夹，看看列了什么。

python app.py

示例

你打开页面，看预测模型在基准上怎样对比。你记下得分好的模型，然后去看仓库结果文件夹里的底层文件。

新手与专家

如果你是新手，预测就是根据过去的值估计未来的值，比如下周的销量。先浏览页面，看看一份基准结果长什么样。

如果你熟悉这个领域，仓库里有结果文件夹、源码文件夹，以及带 Makefile 和 pre-commit 配置的小型构建设置。托管的 Space 运行在 Hugging Face 的基础 CPU 硬件上，用的是较旧的 Gradio 版本。

  1. 基准结果存放在仓库里
  2. 应用读取它们
  3. 你在页面上浏览它们

注意事项

这个发布仅用于研究，配合一篇学术论文。它没有针对所有下游用途评估过，所以在依赖它之前先检查准确性、安全性和公平性。Salesforce 要求用户遵守它的可接受使用政策，尤其是在高风险场景中。

  • License: apache-2
  • Cost to run: 未提及
  • Data it reaches: 存放在仓库里的基准结果
  • Not for: 没有自己检查的高风险用途，因为这是研究发布

README 和文件

README

GIFT Eval

Salesforce 的 GIFT-Eval 页面，这是一个通用时间序列预测基准。仓库里有结果文件夹和应用代码。适合比较模型的预测研究者和机器学习工程师。

由 Salesforce 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。

简介

它是什么：这个 Space 属于 GIFT-Eval，一个来自 Salesforce 的通用时间序列预测基准。时间序列预测就是估计一个被测量序列的未来值。仓库里在应用旁边有一个结果文件夹，所以页面看起来是在展示基准结果，不过 README 除了标题几乎没说什么。

适合谁：如果你构建或选择预测模型，想要一个共同的基准，它很适合研究者和机器学习工程师，也适合想看预测模型怎样比较的学生。

行业 | 谁在用 | 怎么用 | 例子
研究 | 预测研究者 | 查看模型的基准结果 | 查看一个模型系列的位置
机器学习 | 机器学习工程师 | 按基准表现选预测模型 | 在选定之前对比候选模型
教育 | 学生 | 了解预测模型怎样被评估 | 阅读基准的结果页面
软件 | 开发者 | 阅读展示基准结果的应用 | 打开 app.py 和 src 文件夹

如果你需要对自己的数据做预测的工具，可以跳过它，因为这个页面讲的是基准。

用在哪里：

  • 网页浏览器：打开 Hugging Face 上的 Space 页面
  • Windows、macOS 或 Linux：用 Python 3.10.0 运行一份副本
用途 | 谁用 | 得到什么
浏览结果 | 研究者 | 基准公布的结果
对比模型 | 机器学习工程师 | 预测模型得分情况的视图
运行自己的副本 | 开发者 | 同一个应用在你自己的电脑上

如何设置：在线页面什么都不需要。本地副本需要 Python 3.10.0 和 requirements.txt 里的包。

  • 在线页面需要网页浏览器
  • 本地副本需要 Python 3.10.0
  • requirements.txt 里列出的包
  1. 想在线使用，打开 Hugging Face 上的 Space 页面。
  2. 想运行副本，先安装 Hugging Face hub 包。
  3. 把 Space 下载到本地文件夹。
  4. 进入该文件夹，安装 Gradio 4.44.0 和列出的包。
  5. 启动应用。
pip install -U huggingface_hub
hf download Salesforce/GIFT-Eval --repo-type space --local-dir GIFT-Eval
cd GIFT-Eval
pip install gradio==4.44.0
pip install -r requirements.txt
python app.py

如何使用：在应用所在文件夹启动它，或者直接打开在线 Space，然后读页面上显示的内容。README 没有使用说明，所以请浏览页面和结果文件夹，看看列了什么。

python app.py

示例：你打开页面，看预测模型在基准上怎样对比。你记下得分好的模型，然后去看仓库结果文件夹里的底层文件。

新手与专家：如果你是新手，预测就是根据过去的值估计未来的值，比如下周的销量。先浏览页面，看看一份基准结果长什么样。

如果你熟悉这个领域，仓库里有结果文件夹、源码文件夹，以及带 Makefile 和 pre-commit 配置的小型构建设置。托管的 Space 运行在 Hugging Face 的基础 CPU 硬件上，用的是较旧的 Gradio 版本。

基准结果存放在仓库里
应用读取它们
你在页面上浏览它们

注意事项：这个发布仅用于研究，配合一篇学术论文。它没有针对所有下游用途评估过，所以在依赖它之前先检查准确性、安全性和公平性。Salesforce 要求用户遵守它的可接受使用政策，尤其是在高风险场景中。

  • License: apache-2
  • Cost to run: 未提及
  • Data it reaches: 存放在仓库里的基准结果
  • Not for: 没有自己检查的高风险用途，因为这是研究发布

Hugging Face 上的数据（2026年11月13日）

  • 点赞：253
  • 构建方式：gradio
  • 许可证：apache-2.0

链接

  • Space：https://huggingface.co/spaces/Salesforce/GIFT-Eval
  • 文件：https://huggingface.co/spaces/Salesforce/GIFT-Eval/tree/main

试用

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。

文件
README.md  4 KB

1 个文件，共 4 KB，以 zip 压缩包下载。

更新内容

  • 第 1 版 · 2026-11-12

同类产品对比

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
GIFT Eval 本页253gradioapache-2.0
Open VLM Leaderboard共有 gradio1,034gradioapache-2.0
Face Swap共有 gradio808gradiocc-by-nc-sa-4.0
TTS Spaces Arena共有 gradio493gradiozlib
Depth Anything 3共有 gradio490gradiocc-by-nc-4.0
BLIP共有 gradio431gradiobsd-3-clause
数据为 Mindket 在 2026-11-12 至 2026-11-13 期间读取的数值。

评价

还没有评分

写评价

还没有评价。

大家怎么说

Hacker News、Bluesky、X、Reddit、Facebook 和 YouTube 上提到这个项目的帖子和评论，来自每周一次的搜索和 Trendshift。它们不是 Mindket 写的，也未经核实，点开即可在原帖处阅读。

azulgarzarShow HN: TimeCopilot, forecasting agent with LLMs and foundation modelsTimeCopilot is an open-source forecasting agent that combines the power of large language models with state-of-the-art time series foundation models (Amazon Chronos, Salesforce Moirai, Google TimesFM, Nixtla TimeGPT, etc.). it automates and explains complex forecasting workflows: you can query…4 分dahara1Time Series Forecasting Model Leaderboard There are also models that combine LLMs and given context to make predictions. huggingface.co/spaces/Sales...bitshiftfacedGoogle's 200M-parameter time-series foundation model with 16k contextThere are some other transformer based models on the GIFT leaderboard: https://huggingface.co/spaces/Salesforce/GIFT-EvalbitshiftfacedZero-Shot Forecasting: Our Search for a Time-Series Foundation ModelThe GIFT Eval benchmark would be a good place to start: https://huggingface.co/spaces/Salesforce/GIFT-Eval

搜索日期

Mindket 的更多商品

查看 Mindket 的全部商品

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。

新上架

Qwen2.5-7B-Instruct-GGUF

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。

新上架

ACE-Step 1.5 XL SFT

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。

新上架

研究类的相似商品

查看研究类的全部商品

Merlin-Cancer-Super

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。

新上架

EarthJev

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。

新上架

getting-over-it-rl-jax

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。

新上架