AtomGit | GitCode - 全球开发者的开源社区,开源代码托管平台

为什么必须加 --jinja？North-Mini-Code-1.0 本地部署踩坑清单与参数调优指南
North-Mini-Code-1.0 是 Cohere 开源的 30B-A3B MoE 代码模型，支持 256K 上下文与工具调用（tool calling）。本仓库 North-Mini-Code-1.0-GGUF 提供了 Unsloth Dynamic 2.0 量化的全套 GGUF 文件，可直
2026-10-20T00:00:38.912
|
作者: 吴年前Myrtle
GDC 官宣炸场：芯片巨头联手 ComfyUI，本地视频生成工作流迎来简化
GDC 2026 的展台上，NVIDIA 与 ComfyUI 的合作官宣让"本地跑视频模型"从一个发烧友议题变成了行业级话题。长期以来，文生视频、图生视频这类工作流几乎被云端 API 垄断——本地部署意味着要同时摆平显存爆炸、多模型串联、采样器参数调优三座大山。而这次合作的落点恰恰是"简化"：让游戏
2026-10-20T00:00:38.366
|
作者: 裴锟轩Denise
256K 上下文 + 64K 长输出：North-Mini-Code-1.0 大代码库处理与长上下文实战
North-Mini-Code-1.0 是 Cohere 开源的 30B-A3B 稀疏 MoE 代码模型（Apache 2.0），原生支持 **256K 上下文**与 **64K 最大输出**。本仓库由 Unsloth 基于 Dynamic 2.0 方法提供了全套 GGUF 量化版本，让你在自己的显
2026-10-20T00:00:37.155
|
作者: 胡易黎Nicole
为什么视觉模型还需要Mamba：mambaout_small_rw.sw_e450_in1k背后的设计哲学与论文解读
**mambaout_small_rw.sw_e450_in1k** 是 [timm](https://huggingface.co/timm) 库中一个基于 **Mamba** 架构的视觉模型，在 ImageNet-1k 数据集上训练，专注于**图像分类**与特征提取。它以仅 48.5M 参数实现
2026-10-19T23:59:38.476
|
作者: 温玫谨Lighthearted
FrogNano SWE-bench完全解读：4B小模型如何从39.4%一路涨到61.5%
FrogNano 是微软开源的 **4B 参数量仓库级 AI 编程智能体**，基于 Qwen3.5-4B 衍生。本文带你完整看懂它如何在 SWE-bench Verified 上把 Avg@3 解决率从 39.4% 一路提升到 61.5%，并讲清楚训练方法、全部成绩、硬件要求与上手方式。 > 📌
2026-10-19T23:59:38.338
|
作者: 段琳惟
VAE为什么是4通道？Ming-Image-0.1-Design-Layer RGBA VAE与直Alpha图层表示深度解读
Ming-Image-0.1-Design-Layer 是一款 AI 图层分解模型：把一张平面设计图（海报、招牌、名片、UI）自动拆成多个可编辑的 **RGBA 图层**，文字、Logo、角色各占一层，背景单独一层。本仓库 Ming-Image-0.1-Design-Layer-bf16 是它的 M
2026-10-19T23:59:36.681
|
作者: 翟江哲Frasier
如何快速上手gemma-4-31B-it-qat-GGUF：llama.cpp一条命令本地运行31B多模态大模型
本文带你用 gemma-4-31B-it-qat-GGUF 仓库，通过 llama.cpp **一条命令**在本地跑起 Google 的 31B 多模态大模型 Gemma 4 31B：QAT（量化感知训练）4-bit 权重拥有接近 16-bit 的质量，支持文本 + 图像输入、256K 长上下文，还
2026-10-19T23:59:36.587
|
作者: 苗圣禹Peter
Qwen3-Coder-Next低成本运行方案：KTransformers混合CPU+GPU推理单卡实战指南
**Qwen3-Coder-Next** 是专为编码 Agent 设计的开源 MoE 大模型，本仓库提供全套 GGUF 量化版本。借助 **KTransformers** 的 CPU+GPU 混合推理，普通消费级单卡也能低成本跑起这款 80B 级编码模型，新手跟着本文即可完成部署。 ## 为什么
2026-10-19T23:59:36.511
|
作者: 邵娇湘
235B总参、22B激活：Qwen3-VL-235B-A22B-Thinking-1M-GGUF的MoE架构与推理速度原理揭秘
Qwen3-VL-235B-A22B-Thinking-1M-GGUF 是 Qwen 系列最强视觉语言模型的 GGUF 量化仓库：235B 总参数、每个 token 仅激活约 22B 的 MoE 架构，原生 256K 上下文可扩展至 1M，并提供从 UD-IQ1_S 到 BF16 的 22 种量化版
2026-10-19T23:58:41.207
|
作者: 齐冠琰
UniTS 零样本能力揭秘：换预测长度、换数据集，不训练也能预测？
UniTS 是一个统一时间序列基础模型（NeurIPS 2024 论文），用一个共享参数的模型同时处理预测、分类、插补和异常检测任务。本文揭秘 UniTS 零样本（zero-shot）能力：不训练、不微调，直接更换预测长度或更换全新数据集，模型也能直接输出预测结果。 ## 为什么 UniTS 可以
2026-10-19T23:58:39.385
|
作者: 苗圣禹Peter
揭秘imatrix_unsloth.gguf_file：数据驱动校准如何拯救Nemotron 3 Nano Omni GGUF的低精度量化
在 Unsloth Nemotron 3 Nano Omni 30B A3B Reasoning GGUF 量化仓库里，有个 55MB 的 `imatrix_unsloth.gguf_file` 常常被忽略——但它正是整套**低精度量化**的幕后功臣。本文带你彻底看懂 **imatrix（重要性矩阵
2026-10-19T23:58:38.302
|
作者: 宣利权Counsellor
gemma-4-26B-A4B-it-GGUF要多少显存？IQ2到Q8_0完整版量化选型表
gemma-4-26B-A4B-it-GGUF 是 Google Gemma 4 家族中 MoE（混合专家）版本的 GGUF 量化合集，覆盖 IQ2_XXS 到 Q8_0 共 20 多种精度。这篇文章直接回答新手最关心的问题：**每张显存该选哪个量化？24GB 显卡能跑 Q4_K_M 吗？8GB 显
2026-10-19T23:58:36.253
|
作者: 柯茵沙
tf_efficientnet_b1.aa_in1k完全指南：7.8M参数轻量图像分类模型快速上手
📌 **tf_efficientnet_b1.aa_in1k** 是一个基于 EfficientNet 架构的轻量级图像分类模型，仅用 7.8M 参数就能在 ImageNet-1k 数据集上实现高精度分类，是移动端、边缘设备和小样本微调场景的理想选择。本文带你从模型原理、参数配置到推理代码，一站式
2026-10-19T23:58:36.138
|
作者: 尤峻淳Whitney
Nemotron-Math-Proofs-v3-SFT的proof样本深度剖析：58,543条初始证明如何训练大模型的定理生成能力
Nemotron-Math-Proofs-v3-SFT 是 NVIDIA 发布的长文本数学推理 SFT 训练数据集，围绕 58,543 条 proof（初始证明）样本，配合 refinement、verification、meta-verification 三类轨迹，共计 414,890 条样本，用
2026-10-19T23:58:36.022
|
作者: 邬祺芯Juliet
FLUX.1-schnell-amdnpu 快速开始：10 分钟上手 sd-sandbox 画出第一张 AI 图片
**FLUX.1-schnell-amdnpu** 是 AMD 官方针对 **Ryzen AI 处理器 NPU** 优化加速的 FLUX.1 [schnell] 文生图模型仓库。借助它搭配 **sd-sandbox** 工具，你可以在自己的 AI PC 上本地运行 AI 绘图，输入一句提示词就能快速
2026-10-19T23:57:39.636
|
作者: 齐冠琰
UniTS 数据配置详解：读懂 data_provider 的 yaml 文件，轻松管理38个多领域数据集
📦 想跑通 **UniTS**（Universal Time Series Foundation Model，通用时序基础模型）却不知道数据从哪来？答案就在 `data_provider` 目录里的一组 **yaml 配置文件**中。本文带你快速读懂 UniTS 数据配置的底层逻辑：一个 `mul
2026-10-19T23:57:39.318
|
作者: 薛曦旖Francesca
PyTorch 移植 MLX 实战：TripoSplat MLX 逐行移植技巧与高频坑点清单
TripoSplat MLX 是一个完整的 PyTorch 移植 MLX 实战案例：TripoSplat 图生 3D 高斯泼溅重建模型的 PyTorch 参考代码被逐行改写为 MLX 模块，覆盖 DinoV3 图像编码器、Flux2 VAE 与 24 层多模态 flow transformer。本文
2026-10-19T23:57:37.656
|
作者: 冯梦姬Eddie
GLM-5.3-Flash-FP4-Local 多模态实战：让本地大模型看懂图片和视频的完整入门指南
GLM-5.3-Flash-FP4-Local 是 NVIDIA 推出的本地多模态大模型——GLM-5.3-Flash 的 FP4 量化版，支持直接输入**图片、视频和文字**，输出文本回答。它总参数 320B、激活仅 18B，支持 1M 超长上下文，是个人工作站上部署"能看图、能看视频"的旗舰级大
2026-10-19T23:57:35.854
|
作者: 尤辰城Agatha
int8lin量化如何把3B大模型压进3.9GB：Qwen2.5-Omni-3B-Audio-CoreAI数值精度门控实践
**Qwen2.5-Omni-3B-Audio-CoreAI** 是一个基于 Apple Core AI 的端侧音频理解项目：它用 **int8lin 量化**把 Qwen2.5-Omni-3B 的 Thinker 模型压缩进 **3.9 GB** 的 `.aimodel` 包，让 iPhone 与
2026-10-19T23:57:35.088
|
作者: 明树来
DeepSeek-V4-Flash-Vision-Exp-MLX完全入门：Apple Silicon本地部署1M上下文多模态AI助手
DeepSeek-V4-Flash-Vision-Exp-MLX 是一个专为 **Apple Silicon（M 系列芯片）** 优化的 MLX 格式多模态大模型，支持 **1M（约 100 万 token）超长上下文**、图文理解与工具调用，可在 Mac 上完全本地运行，数据不出设备。本文带你从零
2026-10-19T23:56:37
|
作者: 胡易黎Nicole
JEV-9B进阶用法：构建置信度门控的System 1→System 2自动升级流水线
JEV-9B 是一个把 System 1（快速、校准的决策）和 System 2（深度推理与生成）装进同一套权重的开源模型。本文带你用**置信度门控**搭建一条自动升级流水线：简单问题由 System 1 一次前向（约 90 ms）直接给出带校准概率的答案，把握不足时自动升级到 System 2 慢
2026-10-19T23:56:36.618
|
作者: 史锋燃Gardner
深入Fractal系统架构：Master-Worker控制平面与边缘数据平面如何协同工作
Fractal（FractalWorkspace）是一个面向大规模联邦学习的统一开源工作区，其核心是一套 **Master-Worker 分层架构**：中央控制平面 **FractalCore**（Python 服务端）负责多租户隔离、数据分片调度、FedAvg 权重聚合与计算预算管控；边缘数据平面
2026-10-19T23:56:35.639
|
作者: 何举烈Damon
JiRackPrecisionTokenizer对接Qwen2.5模型完整指南：resize_token_embeddings嵌入扩展实操
本文带你完整走一遍 **JiRackPrecisionTokenizer** 对接 Qwen2.5 模型的核心流程。JiRackPrecisionTokenizer 是一个完全兼容 Qwen2.5 与 DeepSeek R1 的增强版 Byte-Level BPE 分词器，内置工具调用、机器人控制、
2026-10-19T23:56:35.615
|
作者: 邬祺芯Juliet
可变视觉位置编码V2PE解析：InternVL3-8B-AWQ长上下文理解背后的核心技术
InternVL3-8B-AWQ 是 OpenGVLab 推出的开源多模态大模型（MLLM）AWQ 4-bit 量化版本。它延续 "ViT-MLP-LLM" 架构，并引入了**可变视觉位置编码 V2PE（Variable Visual Position Encoding）**，让模型在处理高分辨率图
2026-10-19T23:56:35.266
|
作者: 侯霆垣
如何把 MOSS-Audio-Tokenizer-v2-bf16 接入 MOSS-TTS-Local-Transformer-v1.5：本地 TTS 音频合成全链路教程
**MOSS-Audio-Tokenizer-v2-bf16** 是 48 kHz 立体声神经音频编解码器（neural audio codec）的 bf16 精度 MLX 转换模型，它是 **MOSS-TTS-Local-Transformer-v1.5** 背后的核心音频编解码组件。只需切换一个
2026-10-19T23:56:35.205
|
作者: 姚月梅Lane
如何调优LFM2.5-24B-A2B-Preview-4bit推理参数？temperature 0.1、top_k 50与repetition_penalty实战详解
本文以 MLX 格式的开源大模型 **LFM2.5-24B-A2B-Preview-4bit** 为例，手把手讲解推理参数调优的核心技巧：官方推荐的 `temperature 0.1`、`top_k 50` 与 `repetition_penalty 1.05` 分别控制什么、如何按场景组合调整。无
2026-10-19T23:55:34.058
|
作者: 庞眉杨Will
如何构建 AI 内容安全管道：基于 Llama-Guard-3-1B-chat-mlx-8bit 的完整实战方案
AI 内容安全是生成式应用上线前绕不过去的一道关卡。本文带你使用 **Llama-Guard-3-1B-chat-mlx-8bit** 这个专为 Apple Silicon 优化的 8-bit 量化内容安全模型，在 Mac 上零云端依赖地搭建一条本地 AI 内容安全管道。模型仅约 1.5 GB，M
2026-10-19T23:55:03.94
|
作者: 温艾琴Wonderful
InternVL3-8B-AWQ部署指南：LMDeploy一行命令上线多模态API服务（兼容OpenAI接口）
**InternVL3-8B-AWQ** 是开源多模态大模型 InternVL3-8B 的 **AWQ 4-bit 量化版本**，由上海AI实验室 OpenGVLab 团队发布。它保留了图像理解、多图对比、视频理解、GUI 操作等完整多模态能力，同时把模型体积压缩到约 **5.8 GiB**，让单张
2026-10-19T23:55:03.826
|
作者: 薛曦旖Francesca
Python 2.2 新特性深度解析：新式类、迭代器与生成器 —— 基于 KBEngine 仓库内嵌 CPython 源码的逐项考证
本文以 KBEngine 仓库内嵌 CPython 官方文档 kbe/src/lib/python/Doc/whatsnew/2.2.rst 为骨架，系统梳理 Python 2.2 引入的类模型变革（新式类、描述符、`property`、`__slots__`）、迭代器、生成器、整数/长整数统一、除
2026-10-19T23:54:40.4
|
作者: 伍霜盼Ellen
MiniCPM5-2B-GGUF 重复输出别慌：min_p 踩坑排查与采样参数终极速查表
在本地部署 **MiniCPM5-2B-GGUF**（llama.cpp / Ollama / LM Studio 均可用的 GGUF 量化模型）时，最劝退的问题之一就是**模型开始疯狂重复同一句话**。其实罪魁祸首往往不是模型，而是一个很不起眼的采样参数 `min_p`。本文用一篇文章讲清：为什么
2026-10-19T23:54:35.954
|
作者: 管翌锬