2024-12-29 18:55 浙江

模型上新1039，数据集上新128，应用上新63，文章新增6篇

?魔搭ModelScope本期社区进展：

?1039个模型：DeepSeek-V3、QVQ-72B-Preview、ModernBERT、InternVL2_5-26B-MPO-AWQ等；

?128个数据集：SWE-agent-trajectories、SWE-bench-extra、fineweb-c等；

?63个创新应用：QVQ-72B-preview、HelloMeme、CogAgent-Demo等；

? 6篇内容：

魔搭llamafile集成：让大模型开箱即用

ModernBERT-base：终于等到了 BERT 回归

Qwen开源视觉推理模型QVQ，更睿智地看世界！

MNN推理框架将大模型放进移动端设备，并达到SOTA推理性能！

1分钟，用咒语+qwen-coder手搓一张会下雪的圣诞贺卡

HelloMeme:充分利用 SD1.5 基模的理解能力，实现表情与姿态的迁移

精选模型

DeepSeek-V3

DeepSeek-V3是幻方最新推出的一个强大的专家混合(MoE)语言模型，总参数量为 6710 亿，每个 token 激活 370 亿参数。为了实现高效推理和具有成本效益的训练，DeepSeek-V3 延续前一代 DeepSeek-V2 依然采用了多头潜在注意力(MLA)和 DeepSeekMoE 架构。

DeepSeek-V3 在各项性能测试中均表现优异，在 MMLU、MMLU-Pro 和 GPQA中，分别取得了 88.5、75.9 和 59.1 的高分，超越了所有其他开源模型，并在性能上接近封闭模型如 GPT-4o 和 Claude-Sonnet-3.5。

模型链接：

DeepSeek-V3：

https://www.modelscope.cn/models/deepseek-ai/DeepSeek-V3

DeepSeek-V3-Base：

https://www.modelscope.cn/models/deepseek-ai/DeepSeek-V3-Base

QVQ-72B-Preview：

QVQ-72B-Preview是Qwen团队最新开源的视觉推理模型，基于 Qwen2-VL-72B 构建，专长于视觉理解和推理。在MMMU多学科评测中得分70.3，超越前代。在MathVista、MathVision和OlympiadBench等数学科学领域基准测试中，表现卓越，展现了其在复杂数学和科学问题解决上的强大能力。

模型链接：

https://modelscope.cn/models/Qwen/QVQ-72B-Preview

示例代码

transformers推理代码：

from modelscope import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessorfrom qwen_vl_utils import process_vision_info
# default: Load the model on the available device(s)model = Qwen2VLForConditionalGeneration.from_pretrained(    "Qwen/QVQ-72B-Preview", torch_dtype="auto", device_map="auto")
# default processerprocessor = AutoProcessor.from_pretrained("Qwen/QVQ-72B-Preview")
# The default range for the number of visual tokens per image in the model is 4-16384. You can set min_pixels and max_pixels according to your needs, such as a token count range of 256-1280, to balance speed and memory usage.# min_pixels = 256*28*28# max_pixels = 1280*28*28# processor = AutoProcessor.from_pretrained("Qwen/QVQ-72B-Preview", min_pixels=min_pixels, max_pixels=max_pixels)
messages = [    {        "role": "system",        "content": [            {"type": "text", "text": "You are a helpful and harmless assistant. You are Qwen developed by Alibaba. Answer in the language of the question. You should think step-by-step."}        ],    },    {        "role": "user",        "content": [            {                "type": "image",                "image": "https://qianwen-res.oss-accelerate-overseas.aliyuncs.com/QVQ/demo.png",            },            {"type": "text", "text": "What value should be filled in the blank space?"},        ],    }]
# Preparation for inferencetext = processor.apply_chat_template(    messages, tokenize=False, add_generation_prompt=True)image_inputs, video_inputs = process_vision_info(messages)inputs = processor(    text=[text],    images=image_inputs,    videos=video_inputs,    padding=True,    return_tensors="pt",)inputs = inputs.to("cuda")
# Inference: Generation of the outputgenerated_ids = model.generate(**inputs, max_new_tokens=8192)generated_ids_trimmed = [    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)]output_text = processor.batch_decode(    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False)print(output_text)

更多详情请见：

Qwen开源视觉推理模型QVQ，更睿智地看世界！

ModernBERT

ModernBERT是由Answer.AI 和 LightOn 发布的一款现代化的双向编码器 Transformer 模型（BERT 风格），预训练于 2 万亿个英文和代码数据标记，原生上下文长度可达 8,192 个token。集成了Rotary Positional Embeddings、Unpadding、GeGLU层、Alternating Attention和Flash Attention等多项最新架构改进，专为跨推理GPU的高效率设计。

ModernBERT 的原生长上下文长度使其非常适合需要处理长文档的任务，例如检索、分类和大型语料库内的语义搜索。该模型在大量的文本和代码语料库上进行了训练，适用于广泛的下游任务，包括代码检索和混合（文本 + 代码）语义搜索。

模型链接：

ModernBERT-base：

https://modelscope.cn/models/AI-ModelScope/ModernBERT-base

ModernBERT-large：

https://modelscope.cn/models/AI-ModelScope/ModernBERT-large

示例代码：

环境安装

!pip install git+https://github.com/huggingface/transformers.git

使用 AutoModelForMaskedLM模型推理

from transformers import AutoTokenizer, AutoModelForMaskedLMfrom modelscope import snapshot_download
model_id = snapshot_download("answerdotai/ModernBERT-base")tokenizer = AutoTokenizer.from_pretrained(model_id)model = AutoModelForMaskedLM.from_pretrained(model_id)
text = "The capital of France is [MASK]."inputs = tokenizer(text, return_tensors="pt")outputs = model(**inputs)
# To get predictions for the mask:masked_index = inputs["input_ids"][0].tolist().index(tokenizer.mask_token_id)predicted_token_id = outputs.logits[0, masked_index].argmax(axis=-1)predicted_token = tokenizer.decode(predicted_token_id)print("Predicted token:", predicted_token)# Predicted token:  Paris

使用pipeline：

import torchfrom transformers import pipelinefrom pprint import pprint
pipe = pipeline(    "fill-mask",    model="answerdotai/ModernBERT-base",    torch_dtype=torch.bfloat16,)
input_text = "He walked to the [MASK]."results = pipe(input_text)pprint(results)