[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-baaivision--Emu":3,"tool-baaivision--Emu":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",151918,2,"2026-04-12T11:33:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":94,"env_os":95,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":100,"github_topics":102,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":140},6934,"baaivision\u002FEmu","Emu","Emu Series: Generative Multimodal Models from BAAI","Emu 是由北京智源人工智能研究院（BAAI）推出的一系列生成式多模态模型，旨在让 AI 像人类一样同时理解和创作图像与文本。它解决了传统模型难以在单一架构中无缝处理视觉与语言交互的难题，能够根据复杂的图文上下文进行高质量的内容生成与逻辑推理。\n\n从早期的 Emu1 和 Emu2，到最新发布的 Emu3，该系列不断突破技术边界。其核心亮点在于独特的“下一词预测”（Next-Token Prediction）训练范式：Emu3 更是将图像也视为令牌序列，仅凭这一种机制便实现了业界领先的性能，无需依赖复杂的专用模块即可统一处理多模态任务。这种设计不仅简化了模型架构，还赋予了其强大的“上下文学习”能力，使其能灵活适应多种未见过的任务场景。\n\nEmu 非常适合 AI 研究人员探索多模态基础模型的新架构，也适合开发者将其作为基座模型，二次开发用于智能客服、创意辅助设计或自动化内容生产等应用。对于希望深入理解下一代通用人工智能技术的研究团队而言，Emu 提供了一个开放且强大的实验平台。通过开源协作，Emu 正推动社区共同迈向更智能的多模态未来。","\u003Cdiv align=\"center\">\n\n\u003Ch2>Emu: Generative Multimodal Models from BAAI\u003C\u002Fh2>\n\n\n\u003C\u002Fdiv>\n\n---\n\n\u003Cdiv align='center'>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbaaivision_Emu_readme_66827465b311.png\" class=\"interpolation-image\" alt=\"comparison_fewshot.\" height=\"80%\" width=\"80%\" \u002F>\n\u003C\u002Fdiv>\n\n\n\n- [**Emu1**](Emu1) (ICLR 2024, 2023\u002F07) - Generative Pretraining in Multimodality\n\n- [**Emu2**](Emu2) (CVPR 2024, 2023\u002F12) - Generative Multimodal Models are In-Context Learners\n\n- [**Emu3**](https:\u002F\u002Fgithub.com\u002Fbaaivision\u002FEmu3) (arXiv 2024, 2024\u002F09) - Next-Token Prediction is All You Need 🔥🔥🔥\n\n## News\n- 2024.9 We introduce **Emu3**, a new suite of state-of-the-art multimodal models trained solely with next-token prediction. 🔥🔥🔥\n- 2024.2 **Emu1 and Emu2 are accepted by ICLR 2024 and CVPR 2024 respectively! 🎉**\n- 2023.12 Inference code, model and demo of Emu2 are available. Enjoy the [demo](http:\u002F\u002F218.91.113.230:9002\u002F).\n- 2023.12 We have released Emu2, open and largest generative multimodal models that achieve new state of the art on multimodal understanding and generation tasks.\n- 2023.7 Inference code and model of Emu are available.\n- 2023.7 We have released Emu, a multimodal generalist that can seamlessly generate images and texts in multimodal context.\n\n\n## Hightlights\n- State-of-the-art performance\n- Next-generation capabilities\n- A base model for diverse tasks\n\nWe hope to foster the growth of our community through open-sourcing and promoting collaboration👬. Let's step towards multimodal intelligence together🍻.\n\n\n## Contact\n- **We are hiring** at all levels at BAAI Vision Team, including full-time researchers, engineers and interns. \nIf you are interested in working with us on **foundation model, visual perception and multimodal learning**, please contact [Xinlong Wang](https:\u002F\u002Fwww.xloong.wang\u002F) (`wangxinlong@baai.ac.cn`).\n\n\n## Misc\n\n\u003Cdiv align=\"center\">\n\n[![Stargazers repo roster for @baaivision\u002FEmu](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbaaivision_Emu_readme_5cf91822ca92.png)](https:\u002F\u002Fgithub.com\u002Fbaaivision\u002FEmu\u002Fstargazers)\n\n\n[![Forkers repo roster for @baaivision\u002FEmu](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbaaivision_Emu_readme_835ea8d08309.png)](https:\u002F\u002Fgithub.com\u002Fbaaivision\u002FEmu\u002Fnetwork\u002Fmembers)\n\n[![Star History Chart](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbaaivision_Emu_readme_ae31e9892c89.png)](https:\u002F\u002Fstar-history.com\u002F#baaivision\u002FEmu&Date)\n\n\u003C\u002Fdiv>\n","\u003Cdiv align=\"center\">\n\n\u003Ch2>Emu：来自BAAI的生成式多模态模型\u003C\u002Fh2>\n\n\n\u003C\u002Fdiv>\n\n---\n\n\u003Cdiv align='center'>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbaaivision_Emu_readme_66827465b311.png\" class=\"interpolation-image\" alt=\"comparison_fewshot.\" height=\"80%\" width=\"80%\" \u002F>\n\u003C\u002Fdiv>\n\n\n\n- [**Emu1**](Emu1)（ICLR 2024，2023年7月）——多模态领域的生成式预训练\n\n- [**Emu2**](Emu2)（CVPR 2024，2023年12月）——生成式多模态模型是上下文学习者\n\n- [**Emu3**](https:\u002F\u002Fgithub.com\u002Fbaaivision\u002FEmu3)（arXiv 2024，2024年9月）——只需预测下一个词就足够了🔥🔥🔥\n\n## 新闻\n- 2024年9月，我们推出了**Emu3**，一套全新的、最先进的多模态模型，仅通过预测下一个词进行训练。🔥🔥🔥\n- 2024年2月，**Emu1和Emu2分别被ICLR 2024和CVPR 2024接收！🎉**\n- 2023年12月，Emu2的推理代码、模型及演示已开放。欢迎体验[演示](http:\u002F\u002F218.91.113.230:9002\u002F)。\n- 2023年12月，我们发布了Emu2，这是开源且规模最大的生成式多模态模型，在多模态理解和生成任务上达到了新的最先进水平。\n- 2023年7月，Emu的推理代码和模型已公开。\n- 2023年7月，我们发布了Emu，这是一款多模态通用模型，能够在多模态情境中无缝生成图像和文本。\n\n\n## 亮点\n- 最先进的性能\n- 下一代能力\n- 适用于多样化任务的基础模型\n\n我们希望通过开源和促进合作来推动社区的发展👬。让我们携手迈向多模态智能🍻。\n\n\n## 联系方式\n- **我们正在招聘**，BAAI视觉团队面向各层次人才，包括全职研究员、工程师和实习生。\n如果您对参与**基础模型、视觉感知和多模态学习**相关工作感兴趣，请联系[Wang Xinlong](https:\u002F\u002Fwww.xloong.wang\u002F)（`wangxinlong@baai.ac.cn`）。\n\n\n## 杂项\n\n\u003Cdiv align=\"center\">\n\n[![@baaivision\u002FEmu的星辰榜](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbaaivision_Emu_readme_5cf91822ca92.png)](https:\u002F\u002Fgithub.com\u002Fbaaivision\u002FEmu\u002Fstargazers)\n\n\n[![@baaivision\u002FEmu的叉子榜](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbaaivision_Emu_readme_835ea8d08309.png)](https:\u002F\u002Fgithub.com\u002Fbaaivision\u002FEmu\u002Fnetwork\u002Fmembers)\n\n[![星数变化曲线](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbaaivision_Emu_readme_ae31e9892c89.png)](https:\u002F\u002Fstar-history.com\u002F#baaivision\u002FEmu&Date)\n\n\u003C\u002Fdiv>","# Emu 快速上手指南\n\nEmu 是由北京智源人工智能研究院（BAAI）开源的一系列生成式多模态模型，涵盖从 Emu1 到最新的 Emu3。本指南将帮助您快速搭建环境并运行基础示例。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu 20.04+) 或 macOS\n*   **Python 版本**: Python 3.8 或更高版本\n*   **硬件要求**: \n    *   推荐使用 NVIDIA GPU (显存建议 16GB 以上以运行较大模型)\n    *   已安装兼容的 CUDA 驱动和 Toolkit\n*   **前置依赖**:\n    *   `pip` (包管理工具)\n    *   `git` (代码克隆)\n    *   `torch` (PyTorch，需根据 CUDA 版本安装对应版本)\n\n> **提示**：国内开发者建议使用清华或阿里镜像源加速 Python 包下载。\n\n## 安装步骤\n\n### 1. 克隆仓库\n根据您的研究需求选择对应的模型分支（以最新的 **Emu3** 为例，若需 Emu1\u002FEmu2 请切换对应目录）：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fbaaivision\u002FEmu.git\ncd Emu\n```\n\n*注：Emu3 也有独立仓库，如需直接获取最新代码可访问：`git clone https:\u002F\u002Fgithub.com\u002Fbaaivision\u002FEmu3.git`*\n\n### 2. 创建虚拟环境并安装依赖\n推荐使用 Conda 或 venv 隔离环境。\n\n```bash\n# 创建虚拟环境\nconda create -n emu python=3.10 -y\nconda activate emu\n\n# 安装 PyTorch (示例为 CUDA 11.8 版本，请根据实际情况调整)\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n\n# 安装项目依赖\n# 如果使用国内镜像加速：\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. 下载模型权重\n模型权重通常较大，请访问 Hugging Face 或 ModelScope（魔搭社区）下载。国内用户推荐通过 **ModelScope** 下载以获得更快速度。\n\n```bash\n# 示例：使用 huggingface-cli 下载 (需先安装 huggingface_hub)\npip install huggingface_hub\nhuggingface-cli download BAAI\u002FEmu3 --local-dir .\u002Fcheckpoints\u002FEmu3\n\n# 或者手动下载后放置于 .\u002Fcheckpoints 目录\n```\n\n## 基本使用\n\n以下是一个最简单的文本生成图像（Text-to-Image）推理示例。请确保已将模型权重路径配置正确。\n\n```python\nimport torch\nfrom PIL import Image\nfrom emu import EmuModel # 假设的导入路径，具体依实际代码结构而定\n\n# 初始化模型\ndevice = \"cuda\" if torch.cuda.is_available() else \"cpu\"\nmodel = EmuModel.from_pretrained(\".\u002Fcheckpoints\u002FEmu3\").to(device)\nmodel.eval()\n\n# 定义提示词\nprompt = \"A cute cat playing with a ball in the garden, high quality, 4k\"\n\n# 生成图像\nwith torch.no_grad():\n    image = model.generate(\n        prompt=prompt,\n        num_inference_steps=50,\n        guidance_scale=7.5\n    )\n\n# 保存结果\nimage.save(\"output_cat.png\")\nprint(\"Image generated successfully: output_cat.png\")\n```\n\n对于 **Emu2** 的多模态理解任务（如图文问答），基本调用逻辑类似，只需将输入改为包含图像和文本的列表：\n\n```python\n# Emu2 示例伪代码\ninputs = [\n    {\"type\": \"image\", \"data\": load_image(\"input.jpg\")},\n    {\"type\": \"text\", \"data\": \"What is in this image?\"}\n]\nresponse = model.generate(inputs)\nprint(response)\n```\n\n现在您已经成功运行了 Emu 模型，可以开始探索其在多模态理解与生成方面的强大能力。","某电商平台的运营团队需要为数千款新品快速生成包含产品图与营销文案的社交媒体推广素材。\n\n### 没有 Emu 时\n- **工作流割裂严重**：设计师需先用绘图工具生成图片，再单独调用文本模型撰写文案，最后人工拼接，流程繁琐且耗时。\n- **图文一致性差**：生成的文案往往无法精准对应图片中的细节（如颜色、款式），导致需要反复修改或重绘。\n- **缺乏上下文理解**：传统模型难以通过几张参考图就学会品牌特定的风格，每次新任务都需要重新训练或大量调试提示词。\n- **多模态交互受限**：无法直接基于“这张图加上这段文字”的混合输入进行创作，限制了创意表达的灵活性。\n\n### 使用 Emu 后\n- **端到端一站式生成**：利用 Emu 的原生多模态能力，一次性输入产品图和简要需求，即可直接输出图文完美匹配的完整海报内容。\n- **精准的语义对齐**：Emu 能深度理解图像细节，确保生成的营销文案准确描述图中的商品特征，大幅降低人工校对成本。\n- **强大的少样本学习**：借助 Emu2 的上下文学习能力，仅需提供 3-5 张品牌过往优秀案例，模型即可立刻模仿其风格进行创作，无需额外训练。\n- **灵活的混合输入**：支持图像与文本任意组合的输入方式，运营人员可直接上传草图并标注修改意见，Emu 即刻生成高质量成品。\n\nEmu 将原本割裂的图文生产流程整合为统一的智能生成闭环，让多模态内容创作变得像对话一样简单高效。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fbaaivision_Emu_5a54a1f6.png","baaivision","BAAI-Vision","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fbaaivision_24920407.png","Foundation model fanatics from BAAI.",null,"https:\u002F\u002Fgithub.com\u002Fbaaivision",[79,83,87],{"name":80,"color":81,"percentage":82},"Python","#3572A5",99.6,{"name":84,"color":85,"percentage":86},"Makefile","#427819",0.2,{"name":88,"color":89,"percentage":86},"Shell","#89e051",1772,83,"2026-04-06T07:57:26","Apache-2.0",4,"","未说明",{"notes":98,"python":96,"dependencies":99},"提供的 README 内容主要为项目介绍、新闻更新及联系方式，未包含具体的安装指南、环境配置要求或依赖列表。需访问子目录（如 Emu1、Emu2 或 Emu3）的独立文档以获取详细运行环境需求。",[],[14,101],"其他",[103,104,105,106,107,108],"foundation-models","in-context-learning","instruct-tuning","multimodal-pretraining","generative-pretraining-in-multimodality","multimodal-generalist","2026-03-27T02:49:30.150509","2026-04-13T04:24:05.014802",[112,117,121,126,131,136],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},31245,"如何在 Hugging Face 版本中使用视频作为 Emu2-Chat 的输入？","在生成 inputs 时，需要将视频帧列表传递给 image 参数，而不是单独的视频对象。对于多帧视频输入，需要在 prompt 前添加特殊令牌 `[VIDEO]`，并为每一帧重复使用视频占位符（例如 `[\u003CVID_PLH>]`）。代码示例中应将视频帧列表直接传入 `model.build_input_ids` 的 image 参数，确保格式为 `Optional[List[PIL.Image]]`。注意不要修改占位符本身的内容，它们会被 EVA Visual Encoder 提取的特征替换。","https:\u002F\u002Fgithub.com\u002Fbaaivision\u002FEmu\u002Fissues\u002F63",{"id":118,"question_zh":119,"answer_zh":120,"source_url":116},31246,"部署 Emu2 模型对显存有什么要求？是否支持多卡推理？","1. **显存要求**：如果要部署 bf16 版本，推荐至少 120GB 显存（80GB 显存会对超参数有很大限制，例如 num_beams 只能设为 1）。\n2. **单机多卡**：Emu2 系列已支持单机多卡推理，Native PyTorch 版本和 Hugging Face 版本的详细教程分别位于 GitHub 和 Hugging Face 主页的 README.md 中。\n3. **多机多卡**：多机代码目前与训练代码深度耦合，正在整理中，计划后续公开。目前可使用开源框架 DeepSpeed 自行实现，因为模型直接继承于 nn.Module。",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},31247,"本地部署 Emu2-Gen 时遇到模型 key 不匹配（Unexpected keys in state_dict）的错误怎么办？","这通常是由于依赖包版本不兼容导致的。建议尝试安装以下特定版本的库来解决该问题：\n- transformers==4.31.0\n- diffusers==0.24.0\n- tokenizers==0.13.3\n请检查并调整您的环境配置以匹配上述版本。","https:\u002F\u002Fgithub.com\u002Fbaaivision\u002FEmu\u002Fissues\u002F59",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},31248,"Emu2 中 n_query 和 v_query 是什么意思？为什么图像是 256 个 token 而视频是 64 个？","`n_query` 和 `v_query` 分别代表图像和视频输入对应的查询令牌数量。图像被处理为 256 个 token，而视频帧被处理为 64 个 token，这是由视觉编码器（EVA Visual Encoder）的特征提取机制决定的。在代码中，`video_placeholder` 和 `image_placeholder` 只是占位符，实际 `\u003Cimage>` 和 `[gIMG]` 特征会被视觉编码器提取的特征替换。使用不同的令牌是为了方便后续的特征替换操作。","https:\u002F\u002Fgithub.com\u002Fbaaivision\u002FEmu\u002Fissues\u002F50",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},31249,"为什么加载 bf16 权重时，实际显存占用比理论计算值大很多（例如每层约 2GB 而非 1GB）？","虽然权重文件保存为 bf16（2 字节），但在加载到 GPU 进行推理时，PyTorch 可能会在某些操作或优化器状态中临时使用更高精度的数据类型（如 float32），或者由于内存对齐、激活值缓存等原因导致实际显存占用增加。此外，部分层可能在运行时动态分配额外内存。如果显存不足以加载全部层级，可以考虑使用量化技术（如 4bit 量化）或开启多卡推理来降低单卡显存压力。","https:\u002F\u002Fgithub.com\u002Fbaaivision\u002FEmu\u002Fissues\u002F71",{"id":137,"question_zh":138,"answer_zh":139,"source_url":130},31250,"在构建视频输入的 Prompt 时，应该如何正确拼接特殊令牌和占位符？","对于视频输入，应在第一个帧之前添加特殊令牌 `[VIDEO]`。然后，对于视频中的每一帧，都需要在 Prompt 中对应位置放置一个视频占位符（如 `[\u003CVID_PLH>]`）。例如，如果有 8 帧视频，Prompt 结构应类似于：`[VIDEO][\u003CVID_PLH>][\u003CVID_PLH>]...（共 8 个占位符）...您的文本指令`。不需要修改占位符内部的内容，模型会自动将其替换为对应的视觉特征。",[]]