人工智能大模型多模態(tài)計算機(jī)視覺媒體生成預(yù)訓(xùn)練【免費下載鏈接】SenseNova-U1SenseNova-U series: Native Unified Paradigm with NEO-unify from the First Principles項目地址https://gitcode.com/gh_mirrors/se/SenseNova-U1點擊查看免費下載本文是 SenseNova-U1NEO-unify 統(tǒng)一范式模型在交錯生成Interleaved Generation基準(zhǔn)上的評測復(fù)現(xiàn)實戰(zhàn)指南。你將掌握倉庫evaluation/interleave/下四條評測管線的完整用法面向/generateAPI 的 BabyVision 理解評測以及基于本地transformers加載模型的 OpenING、Unimmmu、RealUnifyGEU / UEG三套交錯生成評測涵蓋推理、斷點續(xù)跑、多卡并行、分片合并、LLM 裁判打分與結(jié)果匯總的全部命令與底層原理。讀完即可按本指南在自有數(shù)據(jù)與模型上復(fù)現(xiàn)并擴(kuò)展這些評測流程。評測套件總覽四條管線、兩類后端evaluation/interleave/下的四條評測管線分別面向不同評測任務(wù)但共享同一個「先推理、后評分」的兩段式結(jié)構(gòu)┌──────────────────────┐ │ evaluation/interleave│ └──────────┬───────────┘ │ ├── BabyVision ── API inference ── extract / judge ── aggregate score ├── OpenING ── local inference ─ GPT judge ── summarize ├── Unimmmu ── local inference ─ external scorer └── RealUnify ── local inference ─ rule / judge scoringBenchmark推理后端評測后端主要產(chǎn)出BabyVisionHTTP/generateAPI答案抽取 LLM 裁判babyvision_model.jsonl、*_eval.jsonlOpenING本地模型GPT 裁判 CSV 匯總逐樣本 JSON、生成圖片、裁判 JSONUnimmmu本地模型外部打分器unimmmu_results.jsonl、生成圖片RealUnify (GEU)本地模型規(guī)則打分器realunify_results.jsonl、分?jǐn)?shù) JSONRealUnify (UEG)本地模型用戶自供裁判封裝ueg_results.json[l]四條管線遵循三條通用約定復(fù)現(xiàn)前請先對齊BabyVision向一個或多個/generate端點發(fā)請求將預(yù)測結(jié)果寫入 JSONLOpenING、Unimmmu、RealUnify均通過transformers本地加載模型AutoModel.from_pretrained(..., torch_dtypetorch.bfloat16, trust_remote_codeTrue)見 Unimmmu 推理入口部分基準(zhǔn)在推理之后還有獨立的裁判/分?jǐn)?shù)聚合步驟大部分腳本支持基于已有產(chǎn)物的續(xù)跑--resume、自動跳過已完成樣本或分片合并。所有命令默認(rèn)在倉庫的評測目錄下執(zhí)行cd evaluation/interleave注意本地模型類基準(zhǔn)的數(shù)據(jù)路徑必須顯式傳入真實路徑不要依賴腳本中的占位默認(rèn)值如DATA_ROOT/...否則會直接報「文件不存在」。BabyVisionAPI 驅(qū)動的多模態(tài)理解評測BabyVision 是本套件中唯一純 API 驅(qū)動的基準(zhǔn)推理腳本把圖片與問題封裝成/generate請求發(fā)給模型服務(wù)評測腳本再用 LLM 裁判做答案抽取與判分最后聚合出整體與分項準(zhǔn)確率。典型流程是「先推理 → 再抽取判分 → 后聚合分?jǐn)?shù)」。推理并發(fā)請求 斷點續(xù)跑參考推理命令python3 BabyVision/infer_babyvision.py \ --model-name local-model \ --data-path /path/to/meta_data.jsonl \ --image-root /path/to/babyvision_images \ --output-dir ./output/babyvision_understand \ --generate-urls http://127.0.0.1:8000/generate \ --workers 32 \ --max-retries 3 \ --backend-max-retries 20 \ --request-timeout 600 \ --max-new-tokens 32768 \ --no-do-sample \ --temperature 0 \ --top-p 0.95 \ --repetition-penalty 1.05 \ --min-pixels 262144 \ --max-pixels 4194304參數(shù)含義--data-pathmeta_data.jsonl的路徑。--image-root用于解析樣本圖片路徑的根目錄。--generate-urls一個或多個/generate端點逗號分隔。--workers并發(fā)請求的線程數(shù)。--max-retries、--backend-max-retries樣本側(cè)與后端請求側(cè)的重試預(yù)算。--request-timeout單請求超時秒數(shù)。--min-pixels、--max-pixels圖片預(yù)處理像素上下界。結(jié)合 infer_babyvision.py 源碼可以確認(rèn)幾個關(guān)鍵實現(xiàn)細(xì)節(jié)環(huán)境變量默認(rèn)值--generate-urls、--model-name、--data-path、--image-root、--output-dir、--workers等參數(shù)均可通過BABYVISION_GENERATE_URLS、BABYVISION_MODEL_NAME、BABYVISION_DATA_PATH、BABYVISION_IMAGE_ROOT、BABYVISION_OUTPUT_DIR、BABYVISION_WORKERS等環(huán)境變量覆蓋腳本 L27-L47請求載荷圖片先做原生分辨率動態(tài)縮放dynamic_preprocess_native_resolution尺寸按 32 對齊、像素數(shù)落在min_pixels與max_pixels之間再 base64 編碼與build_generation_parameters()生成的采樣參數(shù)max_new_tokens、do_sample、stop_sequences、temperature、top_p、repetition_penalty一起組裝成{inputs, parameters, multimodal_params}載荷L412-L429重試策略call_vllm_with_retry每次隨機(jī)挑選一個端點失敗按 1.5 倍退避重試最長 60sHTTP 400 視為致命錯誤直接返回L432-L488斷點續(xù)跑輸出文件babyvision_model_name.jsonl模型名中的/會被替換為--已存在的樣本會按taskId自動跳過無需手動刪文件。評測答案抽取 LLM 判分參考評測命令python3 BabyVision/eval_babyvision.py \ --input ./output/babyvision_understand/babyvision_local-model.jsonl \ --output ./output/babyvision_understand/babyvision_local-model_eval.jsonl \ --endpoint https://your-judge-endpoint \ --api-key your_api_key \ --model gpt-4.1 \ --force \ --workers 16 \ --retries 3eval_babyvision.py同時完成答案抽取與裁判判分。--endpoint與--api-key也可來自環(huán)境變量BABYVISION_JUDGE_ENDPOINT/AZURE_OPENAI_ENDPOINT與BABYVISION_JUDGE_API_KEY/AZURE_OPENAI_API_KEY。--force強(qiáng)制重算已有記錄--judge-only只對已有extracted_answer的記錄判分、絕不重新抽取。源碼中的實現(xiàn)要點eval_babyvision.py兩級抽取默認(rèn)--extractor rule_then_llm先用規(guī)則正則answer.../answer、\boxed{...}、final answer:/the answer is等 5 組模式抽取抽不到再交給 LLM另有l(wèi)lm與rule_only兩種模式可選L64-L73、L86-L91裁判輸出要求裁判僅返回 JSON{extracted_answer: ..., is_correct: bool}或精簡的{is_correct: bool}并寫入每條記錄的LLMJudgeResult字段端點兼容自動識別 Azure 端點路徑含/openai或.openai.azure.com并切換請求頭與 URL 組裝方式L118-L154限流退避對 429 / too many requests 采用 5 秒遞增退避其他錯誤按 1.5 次冪退避。分?jǐn)?shù)聚合整體 Type Subtype參考分?jǐn)?shù)命令python3 BabyVision/compute_score.py \ ./output/babyvision_understand/babyvision_local-model_eval.jsonlcompute_score.py 讀取裁判結(jié)果后輸出整體準(zhǔn)確率并按TypeFine-grained Discrimination、Visual Tracking、Spatial Perception、Visual Pattern Recognition 等與Subtype分別匯總正確數(shù)、總數(shù)與準(zhǔn)確率還支持一次傳入多個結(jié)果文件計算多次運(yùn)行的「平均 ± 標(biāo)準(zhǔn)差」。OpenING本地交錯生成 GPT 裁判打分OpenING 用本地模型做交錯生成一條回復(fù)里同時產(chǎn)出文本與圖片再用 GPT 裁判按多維指標(biāo)打分。這是四套管線中唯一帶完整「推理 裁判 匯總」三段流水線的基準(zhǔn)。單卡推理參考單卡推理命令python3 OpenING/infer_opening.py \ --mode opening \ --model_path /path/to/model \ --save_dir ./output/opening_interleave/opening_output \ --meta-path /path/to/OpenING-benchmark \ --data-file-name test_data.jsonl \ --think_mode think \ --cfg_scale 4.0 \ --img_cfg_scale 1.0 \ --timestep_shift 3.0 \ --cfg_interval 0 1.0 \ --num_steps 50 \ --max_new_tokens 4096 \ --max_generation_pixels 4194304 \ --oom_retry_max_pixels 1048576 \ --image_width 1920 \ --image_height 1088 \ --opening_step_prompt_style can_be \ --retry_short_outputs 0 \ --seed 428 分片單機(jī)并行mkdir -p logs for LOCAL_RANK in 0 1 2 3 4 5 6 7; do echo Starting shard ${LOCAL_RANK} on GPU ${LOCAL_RANK} CUDA_VISIBLE_DEVICES${LOCAL_RANK} python3 OpenING/infer_opening.py \ --mode opening \ --model_path /path/to/model \ --save_dir ./output/opening_interleave/opening_output \ --meta-path /path/to/OpenING-benchmark \ --data-file-name test_data.jsonl \ --think_mode think \ --num_shards 8 \ --shard_index ${LOCAL_RANK} \ --cfg_scale 4.0 \ --img_cfg_scale 1.0 \ --timestep_shift 3.0 \ --cfg_interval 0 1.0 \ --num_steps 50 \ --max_new_tokens 4096 \ --max_generation_pixels 4194304 \ --oom_retry_max_pixels 1048576 \ --image_width 1920 \ --image_height 1088 \ --opening_step_prompt_style can_be \ --retry_short_outputs 0 \ --seed 42 \ logs/opening_shard${LOCAL_RANK}.log 21 done wait參數(shù)含義--model_path本地模型路徑。--meta-path數(shù)據(jù)集根目錄。--data-file-name基準(zhǔn)根目錄下的數(shù)據(jù)集 JSONL 文件名。--save_dir逐樣本 JSON 與圖片的輸出目錄。--think_modethink、no_think或兩者都跑。--cfg_interval、--max_generation_pixels、--oom_retry_max_pixels主要生成控制與 OOM 降分辨率重試控制。--num_shards、--shard_index多進(jìn)程運(yùn)行的手動分片。infer_opening.py 源碼中有幾個值得注意的機(jī)制雙模式--mode支持auto默認(rèn)、opening與annotation_config其中opening即本指南覆蓋的基準(zhǔn)評測模式--think_mode列表模式意味著同一個樣本可以同時產(chǎn)出 think 與 no_think 兩套結(jié)果輸出目錄按模式拆分如xxx_think_output/xxx_no_think_outputL554-L562步數(shù)提示風(fēng)格--opening_step_prompt_style有none/can_be/must_exact三檔can_be會在 prompt 前追加 The number of generated text-image pairs can be {N}:must_exact則強(qiáng)制要求恰好生成 N 對L303-L320OOM 降分辨率重試默認(rèn)生成像素上限約 2048×2048若觸發(fā) CUDA OOM 且--oom_retry_max_pixels小于上限會自動清顯存并以更低分辨率重試--image_width/--image_height提供固定輸出尺寸非 32 倍數(shù)會向下對齊并支持保存時再縮放保持縱橫比居中貼黑邊短輸出重試--retry_short_outputs控制當(dāng)生成步數(shù)少于基準(zhǔn)期望步數(shù)時的額外重試次數(shù)候選結(jié)果按「文本步數(shù) 圖片數(shù)」的覆蓋率打分擇優(yōu)保留輸出格式每個樣本保存為save_dir/total_uid.json保留原conversations結(jié)構(gòu)并寫入生成結(jié)果通過臨時文件 os.replace原子寫盤生成圖片命名為save_dir/total_uid-o-0.jpg等完整性續(xù)跑get_saved_ids只把「JSON 中輸出步數(shù)齊全且對應(yīng)圖片文件存在」的樣本視為已完成避免半截結(jié)果被誤跳過。GPT 裁判打分export OPENING_JUDGE_BASE_URLhttp://127.0.0.1:8000 export OPENING_JUDGE_API_KEYyour_api_key python3 OpenING/eval_opening.py \ --mode output_dir \ --opening_root /path/to/OpenING \ --output_dir ./output/opening_interleave/opening_output \ --output_file /path/to/OpenING/gpt-score_results_opening_output.json \ --workers 4 \ --save_every 10eval_opening.py同時支持「單個模型輸出目錄」與「包含多個輸出的父目錄」兩種輸入方式--mode output_dir與目錄遍歷模式。裁判結(jié)果默認(rèn)復(fù)用已存在的記錄--retry_invalid_scores只重試格式非法的分?jǐn)?shù)記錄。腳本運(yùn)行時會自動定位基準(zhǔn)目錄下的test_data.jsonl與裁判 prompt 文件并校驗OPENING_JUDGE_BASE_URL與OPENING_JUDGE_API_KEY也支持--api_base_url、--api_key、--judge_model顯式指定默認(rèn)裁判模型為gpt-4o見 eval_opening.py。裁判覆蓋 7 項指標(biāo)Correctness、Image-Text Coherency、Multi-step Consistency、Content Quality、Human Preference Alignment、Completeness、Content Richness。結(jié)果匯總為 CSVpython3 OpenING/summarize_GPT_scores.py \ --input_json /path/to/OpenING/Interleaved_Arena/gpt-score_results_opening_output.json \ --output_csv /path/to/OpenING/Interleaved_Arena/model_score_summaries.csv \ --filtered_json /path/to/OpenING/Interleaved_Arena/gpt-score_results_filtered.json這一步把原始裁判結(jié)果轉(zhuǎn)換為便于橫向?qū)Ρ鹊?CSV并可選擇性輸出剔除無效分?jǐn)?shù)的過濾版 JSON。Unimmmu交錯生成 外部基準(zhǔn)打分Unimmmu 腳本支持「純理解i2t」與「交錯生成interleave」兩條路徑本指南聚焦交錯生成模式。模型通過transformers加載交錯推理調(diào)用的是model.interleave_gen(...)inference_unimmmu.py支持think模式的 KV Cache 清理與生成后的顯存顯式回收。單卡推理python3 Unimmmu/inference_unimmmu.py \ --model_path /path/to/model \ --data_path /path/to/unimmmu_direct.jsonl \ --output_dir ./output/unimmmu_interleave \ --inference_mode interleave \ --cfg_scale 4.0 \ --img_cfg_scale 1.0 \ --num_steps 50多卡torchruntorchrun --nproc_per_node2 --master_port29503 Unimmmu/inference_unimmmu.py \ --model_path /path/to/model \ --data_path /path/to/unimmmu_direct.jsonl \ --output_dir ./output/unimmmu_interleave \ --inference_mode interleave \ --cfg_scale 4.0 \ --img_cfg_scale 1.0 \ --num_steps 50單進(jìn)程多卡device_mappython3 Unimmmu/inference_unimmmu.py \ --model_path /path/to/model \ --data_path /path/to/unimmmu_direct.jsonl \ --output_dir ./output/unimmmu_interleave \ --inference_mode interleave \ --device_map auto \ --max_memory_per_gpu_gb 60 \ --cfg_scale 4.0 \ --num_steps 50分片合并python3 Unimmmu/merge_shards.py \ --data_path /path/to/unimmmu_direct.jsonl \ --shard_dir ./output/unimmmu_interleave/shards \ --output_file ./output/unimmmu_interleave/unimmmu_results.jsonl參數(shù)含義--inference_mode本基準(zhǔn)使用interleave。--data_path基準(zhǔn) JSONL 路徑。--output_dirJSONL 結(jié)果與生成圖片的根目錄。--resume跳過已完成hash_uid。--num_shards、--shard_rank手動數(shù)據(jù)分片。--device_map auto通過 Hugging Face 單進(jìn)程多卡加載。主要輸出文件是unimmmu_results.jsonl交錯生成的圖片寫入output_dir/images/task/文件名{hash_uid}_gen_{idx}.png并保留full_generated_text含think塊與去掉推理過程的model_response兩個字段。數(shù)據(jù)加載支持 OpenAI 風(fēng)格的messages結(jié)構(gòu)textimage_url混合 content解析L467-L504。已知注意點當(dāng)前實現(xiàn)中--resume先于分片選擇執(zhí)行因此單獨重跑某個分片最穩(wěn)妥的方式是先刪除該分片輸出再不帶--resume重跑。外部打分python3 Unimmmu/calculate_score.py \ --input_file ./output/unimmmu_interleave/unimmmu_results.jsonl \ --output_dir ./output/unimmmu_interleave/scores \ --benchmark_path /path/to/image_text_agentcalculate_score.py本身不實現(xiàn)打分邏輯而是把實際評分委托給--benchmark_path指向的外部基準(zhǔn)評測倉庫。RealUnifyGEU 與 UEG 兩條評測路線GEU交錯生成 規(guī)則打分GEU 腳本同時支持step與interleave兩種模式其中交錯路徑是 SenseNova-U1 評測的主路徑interleave 模式下輸入圖片與編輯指令同時進(jìn)入model.interleave_gen與 Unimmmu 共用同一套交錯推理引擎代碼。參考推理命令python3 Realunify/inference_realunify.py \ --model_path /path/to/model \ --data_path /path/to/GEU_step_processed.jsonl \ --output_dir ./output/realunify_interleave \ --inference_mode interleave \ --cfg_scale 4.0 \ --img_cfg_scale 1.0 \ --num_steps 50多卡版本torchrun --nproc_per_node2 --master_port29501 Realunify/inference_realunify.py \ --model_path /path/to/model \ --data_path /path/to/GEU_step_processed.jsonl \ --output_dir ./output/realunify_interleave \ --inference_mode interleave \ --cfg_scale 4.0 \ --img_cfg_scale 1.0 \ --num_steps 50device_map 版本python3 Realunify/inference_realunify.py \ --model_path /path/to/model \ --data_path /path/to/GEU_step_processed.jsonl \ --output_dir ./output/realunify_interleave \ --inference_mode interleave \ --device_map auto \ --max_memory_per_gpu_gb 60 \ --cfg_scale 4.0 \ --num_steps 50分片合并python3 Realunify/merge_shards.py \ --data_path /path/to/GEU_step_processed.jsonl \ --shard_dir ./output/realunify_interleave/shards \ --output_file ./output/realunify_interleave/realunify_results.jsonl主要結(jié)果文件為realunify_results.jsonl。字段約定step模式下generated_image存[input_image, edited_image]interleave模式下生成序列存于generated_images。與 Unimmmu 相同resume當(dāng)前先于手動分片選擇執(zhí)行。若希望輸出圖片為固定尺寸加--target_image_size 1024接受1024或1024x1024兩種寫法非正方形會報錯見 inference_realunify.py。規(guī)則打分python3 Realunify/calculate_score.py \ --input_file ./output/realunify_interleave/realunify_results.jsonl \ --output_file ./output/realunify_interleave/realunify_scores.jsoncalculate_score.py 是純規(guī)則打分優(yōu)先從answer.../answer標(biāo)簽抽取答案抽不到則回退到model_response中第一個A/B/C/D字母大小寫不敏感再與 ground truth 比對結(jié)果按task_type分項統(tǒng)計正確數(shù)/總數(shù)/準(zhǔn)確率并輸出 Overall 匯總L16-L42、L65-L132。UEG三種推理模式 用戶自供裁判UEG 腳本暴露understand_t2i、interleave、t2i三種推理模式覆蓋「讀圖作答」「圖文交錯推理」「文本生圖」三類任務(wù)。understand_t2i模式python3 Realunify/inference_realunify_ueg.py \ --model_path /path/to/model \ --data_path /path/to/UEG_step.json \ --output_dir ./output/ueg_understand_t2i \ --inference_mode understand_t2i \ --cfg_scale 4.0 \ --num_steps 50interleave模式python3 Realunify/inference_realunify_ueg.py \ --model_path /path/to/model \ --data_path /path/to/UEG_step.json \ --output_dir ./output/ueg_interleave \ --inference_mode interleave \ --cfg_scale 4.0 \ --timestep_shift 3.0 \ --num_steps 50t2i模式python3 Realunify/inference_realunify_ueg.py \ --model_path /path/to/model \ --data_path /path/to/UEG_step.json \ --output_dir ./output/ueg_t2i \ --inference_mode t2i \ --cfg_scale 4.0 \ --num_steps 50與 GEU 腳本不同UEG 腳本不暴露手動--num_shards/--shard_rank多進(jìn)程切分依賴torchrun提供的分布式 rank。輸出保留生成圖片路徑與后續(xù)question_list的對應(yīng)關(guān)系。打分命令python3 Realunify/calculate_score_ueg.py \ --input_file ./output/ueg_interleave/ueg_results.json注意calculate_score_ueg.py 當(dāng)前倉庫中只是腳手架——它期待用戶提供實現(xiàn)了generate_text(prompt, image_paths, temperature)方法的GeminiAPI裁判封裝并在入口處直接raise NotImplementedError。打分邏輯本身已定義清楚對每個樣本的question_list逐題讓裁判看圖回答 yes/no與 ground truth 比對任一體不符則該樣本記 0 分最終按 6 類任務(wù)world_knowledge、commonsense_reasoning、logical_reasoning、mathematical_reasoning、scientific_reasoning、code_to_image分項輸出準(zhǔn)確率L73-L176。補(bǔ)上GeminiAPI實現(xiàn)即可跑通。一鍵編排并行運(yùn)行全部本地基準(zhǔn)RealUnify (GEU)、RealUnify (UEG)與Unimmmu相互獨立可并行執(zhí)行BabyVision與OpenING則各自走前述「推理 評測」流水線。典型本地評測流程如下MODEL_PATH/path/to/hf_model torchrun --nproc_per_node2 --master_port29501 Realunify/inference_realunify.py \ --model_path ${MODEL_PATH} \ --data_path /path/to/GEU_step_processed.jsonl \ --output_dir ./output/realunify_interleave \ --inference_mode interleave \ --cfg_scale 4.0 \ --img_cfg_scale 1.0 \ --num_steps 50 python3 Realunify/inference_realunify_ueg.py \ --model_path ${MODEL_PATH} \ --data_path /path/to/UEG_step.json \ --output_dir ./output/ueg_understand_t2i \ --inference_mode understand_t2i \ --cfg_scale 4.0 \ --num_steps 50 torchrun --nproc_per_node2 --master_port29503 Unimmmu/inference_unimmmu.py \ --model_path ${MODEL_PATH} \ --data_path /path/to/unimmmu_direct.jsonl \ --output_dir ./output/unimmmu_interleave \ --inference_mode interleave \ --cfg_scale 4.0 \ --img_cfg_scale 1.0 \ --num_steps 50排錯指南現(xiàn)象處理方式數(shù)據(jù)集文件找不到檢查--data_pathOpenING 場景檢查--meta-path與--data-file-name的組合。路徑里仍含DATA_ROOT腳本在使用占位默認(rèn)值請顯式傳入真實路徑。樣本被意外跳過輸出已存在導(dǎo)致檢查--resume、--overwrite或分片輸出。單獨重跑某個分片行為異常對Unimmmu與RealUnify (GEU)先刪除該分片輸出再不帶--resume重跑。UEG 打分立即失敗calculate_score_ueg.py需要用戶自供的GeminiAPI封裝先補(bǔ)齊再運(yùn)行。其他可參照的工程細(xì)節(jié)所有本地推理腳本均以set_random_seeds固定隨機(jī)種子默認(rèn) 42并將cudnn.deterministicTrue、benchmarkFalse保證多分片、多進(jìn)程間結(jié)果可復(fù)現(xiàn)交錯推理每完成一個樣本都會gc.collect()torch.cuda.empty_cache()顯式回收顯存防止長序列評測中的顯存累積。各評測管線的評分實現(xiàn)與輸入輸出格式約定可繼續(xù)在 evaluation/interleave/BabyVision、evaluation/interleave/OpenING、evaluation/interleave/Unimmmu、evaluation/interleave/Realunify 目錄下對照源碼逐一核實。贊分享人工智能大模型多模態(tài)計算機(jī)視覺媒體生成預(yù)訓(xùn)練【免費下載鏈接】SenseNova-U1SenseNova-U series: Native Unified Paradigm with NEO-unify from the First Principles項目地址https://gitcode.com/gh_mirrors/se/SenseNova-U1點擊查看免費下載相關(guān)推薦PaddleNLP 實戰(zhàn)ChineseBERT 融合字形與拼音信息的漢語預(yù)訓(xùn)練模型微調(diào)指南PaddleNLP 實戰(zhàn)ChineseBERT 融合字形與拼音信息的漢語預(yù)訓(xùn)練模型微調(diào)指南 導(dǎo)讀 本文圍繞 PaddleNLP 倉庫中 ChineseBERT人工智能大模型多模態(tài)計算機(jī)視覺媒體生成預(yù)訓(xùn)練isomorphic-git 的 git.fetch 全解析從遠(yuǎn)程倉庫拉取提交的 API 參數(shù)、返回值與底層實現(xiàn)isomorphic git 的 git.fetch 全解析從遠(yuǎn)程倉庫拉取提交的 API 參數(shù)、返回值與底層實現(xiàn) 導(dǎo)讀 本文以 isomorphic git人工智能大模型多模態(tài)計算機(jī)視覺媒體生成預(yù)訓(xùn)練SenseNova-U1 視覺理解基準(zhǔn)評測實戰(zhàn)指南LightLLM EASI/VLMEvalKit 全流程部署與評測SenseNova U1 視覺理解基準(zhǔn)評測實戰(zhàn)指南LightLLM EASI/VLMEvalKit 全流程部署與評測 本文是 evaluation/eas人工智能大模型多模態(tài)計算機(jī)視覺媒體生成預(yù)訓(xùn)練上一篇ioredis連接池管理高效資源利用與連接復(fù)用下一篇LiteFlow自定義數(shù)據(jù)生成組件化流程引擎的終極指南創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考