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。
在 Gradio 页面里运行 Salesforce 的 BLIP 视觉与语言模型,仓库里有图像描述、检索和问答的训练脚本。适合处理图像和文字的研究者和开发者。
BLIP 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 Salesforce/BLIP --repo-type space --local-dir BLIP cd BLIP
这是 Salesforce 做的一个 Gradio 应用,运行 BLIP,一个同时处理图片和文字的模型。仓库里有项目代码,脚本名称对应图像描述、视觉问答、检索和 NLVR,还有一张示例图片。它列出 Salesforce/BLIP 模型和两个 Google 的 BERT 模型。你可以在浏览器里使用,也可以在自己的电脑上运行一份副本。
它适合处理图像和文字的研究者和开发者,也适合想看视觉与语言模型实际运行的学生。
| 行业 | 谁在用 | 怎么用 | 例子 |
|---|---|---|---|
| 研究 | 多模态研究者 | 在自己的图片上试 BLIP | 打开这个 Space,用示例图片 |
| 教育 | 机器学习的学生 | 看视觉与语言模型能做什么 | 对照 app.py 读 train_caption.py |
| 软件 | Python 开发者 | 研究 BLIP 代码和演示怎样配合 | 下载这个 Space,打开 app.py |
如果你需要轻量安装,可以跳过它,因为仓库有 39 个文件,模型可能需要很大的下载。
| 用途 | 谁用 | 得到什么 |
|---|---|---|
| 在图片上试 BLIP | 学生 | 模型对所给图片的输出 |
| 用你的图片对比 | 研究者 | 快速看看它怎样处理不同的图片 |
| 读 BLIP 代码 | 开发者 | 多个任务的训练和评估脚本 |
先准备好下面这些东西。
pip install -U huggingface_hub hf download Salesforce/BLIP --repo-type space --local-dir BLIP cd BLIP pip install gradio==3.0.17 pip install -r requirements.txt python app.py
在线使用时,用 Space 页面显示的 Gradio 界面。在自己的电脑上,则在项目文件夹里运行主文件,再在浏览器里打开它提供的页面。
python app.py
你在项目文件夹里运行 python app.py,打开页面并给它仓库里的 starrynight.jpeg。页面会返回模型对这张图片的处理结果。
如果你是新手,先从在线版开始。到这个 Space 里,在安装任何东西之前先试一下示例图片。视觉与语言模型会读图片,并处理与它有关的文字。
如果你懂这个领域,要注意仓库里捆绑了预训练、图像描述、检索、视觉问答、NLVR 和 nocaps 评估的脚本。它固定使用较旧的 Gradio 3.0.17,所以全新的环境可能需要装这个确切版本。
来源没有给出准确率数字,所以在依赖输出之前,请先用你自己的图片测试。
在 Gradio 页面里运行 Salesforce 的 BLIP 视觉与语言模型,仓库里有图像描述、检索和问答的训练脚本。适合处理图像和文字的研究者和开发者。
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。
它是什么:这是 Salesforce 做的一个 Gradio 应用,运行 BLIP,一个同时处理图片和文字的模型。仓库里有项目代码,脚本名称对应图像描述、视觉问答、检索和 NLVR,还有一张示例图片。它列出 Salesforce/BLIP 模型和两个 Google 的 BERT 模型。你可以在浏览器里使用,也可以在自己的电脑上运行一份副本。
适合谁:它适合处理图像和文字的研究者和开发者,也适合想看视觉与语言模型实际运行的学生。
行业 | 谁在用 | 怎么用 | 例子
研究 | 多模态研究者 | 在自己的图片上试 BLIP | 打开这个 Space,用示例图片
教育 | 机器学习的学生 | 看视觉与语言模型能做什么 | 对照 app.py 读 train_caption.py
软件 | Python 开发者 | 研究 BLIP 代码和演示怎样配合 | 下载这个 Space,打开 app.py
如果你需要轻量安装,可以跳过它,因为仓库有 39 个文件,模型可能需要很大的下载。
用在哪里:
用途 | 谁用 | 得到什么
在图片上试 BLIP | 学生 | 模型对所给图片的输出
用你的图片对比 | 研究者 | 快速看看它怎样处理不同的图片
读 BLIP 代码 | 开发者 | 多个任务的训练和评估脚本
如何设置:先准备好下面这些东西。
pip install -U huggingface_hub
hf download Salesforce/BLIP --repo-type space --local-dir BLIP
cd BLIP
pip install gradio==3.0.17
pip install -r requirements.txt
python app.py
如何使用:在线使用时,用 Space 页面显示的 Gradio 界面。在自己的电脑上,则在项目文件夹里运行主文件,再在浏览器里打开它提供的页面。
python app.py
示例:你在项目文件夹里运行 python app.py,打开页面并给它仓库里的 starrynight.jpeg。页面会返回模型对这张图片的处理结果。
新手与专家:如果你是新手,先从在线版开始。到这个 Space 里,在安装任何东西之前先试一下示例图片。视觉与语言模型会读图片,并处理与它有关的文字。
如果你懂这个领域,要注意仓库里捆绑了预训练、图像描述、检索、视觉问答、NLVR 和 nocaps 评估的脚本。它固定使用较旧的 Gradio 3.0.17,所以全新的环境可能需要装这个确切版本。
打开 Space 或运行 app.py
Gradio 页面加载
你给它一张图片
BLIP 模型处理它
结果显示在页面上
注意事项:来源没有给出准确率数字,所以在依赖输出之前,请先用你自己的图片测试。
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 |
|---|---|---|---|---|
| BLIP 本页 | 431 | gradio | bsd-3-clause | |
| Open VLM Leaderboard共有 gradio | 1,034 | gradio | apache-2.0 | |
| Face Swap共有 gradio | 808 | gradio | cc-by-nc-sa-4.0 | |
| TTS Spaces Arena共有 gradio | 493 | gradio | zlib | |
| Depth Anything 3共有 gradio | 490 | gradio | cc-by-nc-4.0 | |
| VBench Leaderboard共有 gradio | 365 | gradio | mit |
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。
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。