Intern-S1
internlm · internlm/Intern-S1
Licença dos pesos: Apache 2.0 · código e componentes podem ter outros termos
Qualidade
Sem score comparável
Ainda não acompanhamos benchmark público e comparável que cubra este modelo. Nenhuma nota é inferida.
Informado pelo publicador
Roda em
Cabe na memória rápida 2
A estimativa de planejamento cabe na memória que o modelo usa rápido: a VRAM da placa de vídeo, ou a memória unificada dentro da fatia de GPU do macOS.
Falta um degrau de memória 12
As mesmas máquinas com o próximo tamanho de memória o comportariam na memória rápida.
Mostrar todos os 12
Perfis de hardware agrupados pela estimativa de planejamento Q4 em cada máquina (GPUs dedicadas reservam 2 GB; memória unificada e do sistema, 25%, de 2 a 8 GB): cabe na memória rápida, fica na memória mas fora da parte rápida (camadas na RAM do PC, ou acima da fatia de GPU do macOS), ou falta um degrau de memória. Não é compatibilidade nem velocidade medida.
Velocidade medida
Nenhuma medição publicada para este checkpoint
Tokens por segundo só aparecem quando uma fonte os publica com hardware, build e configuração. Nunca são estimados.
Como rodar
Compatibilidade de runtime e tokens por segundo não foram medidos para este registro. Metadados publicados e estimativa de memória não comprovam uma execução local.
Biblioteca na fonte: transformers
Formas documentadas de rodar
Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.
from transformers import AutoProcessor, AutoModelForCausalLM
import torch
model_name = "internlm/Intern-S1"
processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(model_name, device_map="auto", torch_dtype="auto", trust_remote_code=True)
messages = [
{
"role": "user",
"content": [
{"type": "text", "text": "tell me about an interesting physical phenomenon."},
],
}
]
inputs = processor.apply_chat_template(messages, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt").to(model.device, dtype=torch.bfloat16)
generate_ids = model.generate(**inputs, max_new_tokens=32768)
decoded_output = processor.decode(generate_ids[0, inputs["input_ids"].shape[1] :], skip_special_tokens=True)
print(decoded_output)vllm serve internlm/Intern-S1 --tensor-parallel-size 8 --trust-remote-code# install ollama
curl -fsSL https://ollama.com/install.sh | sh
# fetch model
ollama pull internlm/interns1
# run model
ollama run internlm/interns1
# then use openai client to call on http://localhost:11434/v1Detalhes técnicos
O que a fonte e o catálogo guardam deste checkpoint. Campos ausentes ficam de fora, nunca como zero.
- Checkpoint / fonte
- internlm/Intern-S1
- Tarefa
- image-text-to-text
- Arquitetura
- InternS1ForConditionalGeneration
- Biblioteca na fonte
- transformers
- Licença dos pesos
- Apache 2.0
- Uso comercial
- Permitido Apache License 2.0 text (SPDX) · consultado em 2026-10-18texto da licença
Todos os campos guardados
- Revisão conferida
- 4ecad381e28293c4825793f113327cc016cdcbda
- Arquitetura
- InternS1ForConditionalGeneration
- Biblioteca
- transformers
- Tag de tarefa no Hub
- image-text-to-text
- Distribuições neste grupo
- internlm/Intern-S1-GGUF
- Formatos
- safetensors, transformers
- Acesso
- Download aberto
- Tipo de publicador
- Oficial
- Parâmetros no Hub
- 240.709.856.128safetensors.total
- Repositório criado
- 2025-07-24criação não é o lançamento do modelo
- Repositório atualizado
- 2026-03-29um commit não é data de lançamento
- Downloads no Hub (30 dias) · curtidas
- 29.633 · 257só este repositório · lido em 2026-11-19
- Estado no catálogo
- Config ou pesos encontrados no Hub; sem vínculo de benchmark no inventário
Fontes
Identidade e especificações publicadas vêm da página do checkpoint. As notas pertencem à rodada indicada e não medem velocidade no seu computador.
Snapshot válido da fonte: 2026-11-19. Este registro da fonte ainda não recebeu revisão técnica completa. Dados ausentes permanecem desconhecidos; um commit do repositório não é a data de lançamento do modelo.










