懂AI
NVLM-D-72B-nf4

NVLM-D-72B-nf4

多模态模型NF4量化与性能优化研究

NVLM-D-72B模型NF4量化转换项目利用BitsAndBytes技术实现双重量化，旨在优化性能。目前纯文本处理表现出色，但图像处理功能仍需完善。项目优化了modeling_intern_vit.py文件，提高了量化模块兼容性。模型运行需48GB以上显存，遵循CC BY-NC 4.0许可。该项目为探索大型多模态模型量化提供了宝贵经验。

GPU内存量化模型模型转换Github图像文本生成Huggingface开源项目NVLM-D-72B
访问官网Hugging Face

NVLM-D-72B-nf4项目介绍

NVLM-D-72B-nf4是一个基于NVIDIA的NVLM-D-72B模型转换而来的项目。这个项目旨在通过量化技术来优化原始模型，使其能够在更少的计算资源下运行。以下是对该项目的详细介绍：

项目背景

NVLM-D-72B是NVIDIA开发的一个大型语言模型，具有强大的文本和图像处理能力。然而，由于其庞大的规模，运行这个模型需要大量的计算资源。NVLM-D-72B-nf4项目的目标是通过量化技术，特别是NF4（4位浮点数）量化，来减少模型的内存占用和计算需求，同时尽可能保持模型的性能。

技术特点

  1. 量化技术：项目使用了BitsAndBytes库进行NF4量化，并采用了双重量化技术。这种方法可以显著减少模型的大小，同时尽量保持其性能。

  2. 模型修改：为了使量化后的模型能够正常运行，项目对原始模型的某些部分进行了修改。特别是在modeling_intern_vit.py文件中，将一些直接使用权重的操作替换为使用线性模块的调用。

  3. 生成函数优化：在modeling_nvlm_d.py文件中，项目修改了生成函数的调用方式，移除了强制使用缓存的设置，以解决多次使用模型时可能出现的GPU缓存问题。

当前状态和挑战

虽然项目在纯文本处理方面表现良好，但在处理包含图像的输入时仍然面临挑战。目前，当输入包含图像时，模型无法产生连贯的输出。这可能与QKV模块的打包方式有关，这种方式可能与量化技术不兼容。

硬件要求

运行NVLM-D-72B-nf4模型需要至少48GB的显存。然而，即使有48GB的显存，模型处理长文本的能力可能仍然受限。

开源许可

该项目基于Creative Commons Attribution Non Commercial 4.0许可证发布，这意味着用户可以自由使用和修改模型，但不能将其用于商业目的。

未来展望

项目开发者正在寻求社区的帮助，以解决图像处理方面的问题。未来的工作可能包括：

  1. 研究如何将QKV模块分解为常规的Q、K和V张量，以提高与量化技术的兼容性。
  2. 进一步优化模型，以提高其在有限计算资源下的性能。
  3. 探索如何在保持模型性能的同时，进一步减少内存占用。

总的来说，NVLM-D-72B-nf4项目代表了一种将大型语言模型应用于资源受限环境的尝试。虽然目前仍面临一些挑战，但这个项目为探索大型模型的优化和应用提供了宝贵的经验和方向。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多