🙋魔搭ModelScope本期社区进展：
📟1435个模型：Qwen2.5-Coder系列、In-Context-LoRA、RMBG-2.0等；
📁43个数据集：LaTeX_OCR、test_latex_ocr等；
🎨39个创新应用：通义千问2.5-代码系列、OmniGen等；
📄 7 篇文章：
ModelScope魔搭11月版本发布月报
基于开源技术的数字人实时对话：形象可自定义，支持语音输入，对话首包延迟可低至3s
智源行业应用大模型挑战赛开启报名！挖掘数据潜能，共创行业新篇
Qwen2.5-Coder深夜开源炸场，Prompt编程的时代来了！
Open NotebookLM，一键PDF/URL转播客！
AI+硬件最新资讯合集（2024-11-11第3期）
魔搭社区创空间全新支持 Gradio 5
Qwen2.5-Coder
通义千问团队开源「强大」、「多样」、「实用」的 Qwen2.5-Coder 全系列，致力于持续推动 Open Code LLMs 的发展。
强大：Qwen2.5-Coder-32B-Instruct 成为目前 SOTA 的开源代码模型，代码能力追平 GPT-4o。在展现出强大且全面的代码能力的同时，具备良好的通用和数学能力；
多样：在之前开源的两个尺寸 1.5B/7B 的基础上，本次开源共带来四个尺寸的模型，包括 0.5B/3B/14B/32B。截止目前 Qwen2.5-Coder 已经覆盖了主流的六个模型尺寸，以满足不同开发者的需要；
实用：在两种场景下探索 Qwen2.5-Coder 的实用性，包括代码助手和 Artifacts，一些样例展示出 Qwen2.5-Coder 在实际场景中应用的潜力；
合集模型链接：
https://modelscope.cn/collections/Qwen25-Coder-9d375446e8f5814a
推理代码：
transformers: 单卡运行Qwen2.5-32B-Instrtuct量化模型。
from modelscope import AutoModelForCausalLM, AutoTokenizer
model_name = "Qwen/Qwen2.5-Coder-32B-Instruct-GPTQ-Int4"
model = AutoModelForCausalLM.from_pretrained( model_name, torch_dtype="auto", device_map="auto")tokenizer = AutoTokenizer.from_pretrained(model_name)
prompt = "write a quick sort algorithm."
messages = [ {"role": "system", "content": "You are Qwen, created by Alibaba Cloud. You are a helpful assistant."}, {"role": "user", "content": prompt}]text = tokenizer.apply_chat_template( messages, tokenize=False, add_generation_prompt=True)model_inputs = tokenizer([text], return_tensors="pt").to(model.device)
generated_ids = model.generate( **model_inputs, max_new_tokens=512)generated_ids = [ output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)]
response = tokenizer.batch_decode(generated_ids, skip_special_tokens=True)[0]
更多信息请看最佳实践：
Qwen2.5-Coder深夜开源炸场，Prompt编程的时代来了！
RMBG-2.0
RMBG v2.0 是一个优秀的背景移除模型，可有效分离各种类别和图像类型的前景和背景。该模型在精心挑选的数据集上进行了训练，包括：通用库存图片、电子商务、游戏和广告内容，使其适合商业用途，支持大规模企业内容创作。目前的准确性、效率和多功能性可与领先的开源模型相媲美。它非常适合重视内容安全、合法授权数据集和偏见缓解的场景。
模型链接：
https://modelscope.cn/models/AI-ModelScope/RMBG-2.0
使用方法：
from PIL import Imageimport matplotlib.pyplot as pltimport torchfrom torchvision import transformsfrom transformers import AutoModelForImageSegmentationfrom modelscope import snapshot_download
model_dir = snapshot_download('AI-ModelScope/RMBG-2.0')
model = AutoModelForImageSegmentation.from_pretrained(model_dir, trust_remote_code=True)torch.set_float32_matmul_precision(['high', 'highest'][0])model.to('cuda')model.eval()
image_size = (1024, 1024)transform_image = transforms.Compose([ transforms.Resize(image_size), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])])
image = Image.open('cat.png')input_images = transform_image(image).unsqueeze(0).to('cuda')
with torch.no_grad(): preds = model(input_images)[-1].sigmoid().cpu()pred = preds[0].squeeze()pred_pil = transforms.ToPILImage()(pred)mask = pred_pil.resize(image.size)image.putalpha(mask)
image.save("no_bg_image.png")
LaTeX_OCR
一个专注于LaTeX文档的光学字符识别数据集，旨在支持和改进OCR技术在学术和科学文档数字化领域的应用。
数据集链接：
https://modelscope.cn/datasets/AI-ModelScope/LaTeX_OCR
test_latex_ocr
test_latex_ocr是一个LaTeX文档光学字符识别测试数据集。
5个数据集
small 是小数据集，样本数 110 条，用于测试
full 是印刷体约 100k 的完整数据集。实际上样本数略小于 100k，因为用 LaTeX 的抽象语法树剔除了很多不能渲染的 LaTeX。
synthetic_handwrite 是手写体 100k 的完整数据集，基于 full 的公式，使用手写字体合成而来，可以视为人类在纸上的手写体。样本数实际上略小于 100k，理由同上。
human_handwrite 是手写体较小数据集，更符合人类在电子屏上的手写体。主要来源于 CROHME。我们用 LaTeX 的抽象语法树校验过了。
human_handwrite_print 是来自 human_handwrite 的印刷体数据集，公式部分和 human_handwrite 相同，图片部分由公式用 LaTeX 渲染而来。
数据集链接：
https://modelscope.cn/datasets/wangxingjun778/test_latex_ocr
通义千问2.5-代码
通义千问团队开源了功能强大、多样化、实用的 Qwen2.5-Coder 系列，支持在线体验，推动 Open Code LLMs 发展。
模型集合demo体验：
https://www.modelscope.cn/studios/Qwen/Qwen2.5-Coder-demo
Artifacts体验：
https://modelscope.cn/studios/Qwen/Qwen2.5-Coder-Artifacts
OmniGen
OmniGen 是一个多功能图像生成模型，支持文本到图像、主题驱动、身份保持和条件图像生成等多种任务，使用时需传入字符串提示和图像路径列表，支持多模态到图像生成，建议图像编辑任务时输出尺寸与输入一致，可自动设置，且提供内存和时间优化选项，能够调整图像饱和度和风格，编辑时需更换种子以避免重复。
体验直达：
https://modelscope.cn/studios/chuanSir/OmniGen
