ARTICLE · 人工智能
从 HuggingFace 搬家到魔搭：一个二次元项目的上线手记
一语总结本文详述将 See‑Through 二次元分层模型从 HuggingFace 迁移到 ModelScope 创空间的全过程，包括显存资源获取、Gradio 部署要点以及常见坑点，帮助国内用户免费使用高显存服务器。
文章作者分享了二次元图形学项目 See‑Through 从 HuggingFace Space 迁移到 ModelScope 创空间的实战经验。首先介绍了平台提供的 Ada 系列显卡（48 GB 显存）以及使用统计，说明了国内免费 CDN 与推理服务器的价值。随后详细阐述了部署流程：创建创空间、选择硬件、配置镜像、推送代码、下载模型权重以及 GPU 使用方式。重点列举了五大坑点，包括不要在 requirements.txt 中 pin torch、正确使用版本约束、平台自带的 gradio 与 pydantic、正确导入 snapshot_download，以及避免硬编码的 huggingface 地址。文末提供了社区反馈、数据统计以及感谢致谢，强调了开源研究的非商业属性，并提供了代码、模型和论文链接。
- 平台免费显卡资源大幅降低了二次元模型的部署成本。
ModelScope 提供的 Ada 系列 48 GB 显存机器相当于国内的 CDN 加推理服务器，免去网络优化和高额租金，让预算有限的学术项目得以持续运行。
- 部署流程分为建空间、选硬件、推代码、下载模型、GPU 初始化四步。
作者给出具体的 git 推送命令、镜像版本说明以及模型下载代码，帮助读者快速复现并避免常见的环境配置错误。
- 常见坑点包括不要在 requirements.txt 中 pin torch、正确使用版本约束、平台自带的 gradio 与 pydantic、避免硬编码 huggingface 地址。
这些细节若处理不当会导致依赖冲突、启动失败或额外的境外访问，文章提供了对应的解决方案和调试技巧。
- 社区反馈帮助发现模型弱点并指导后续改进。
用户报告的细粒度问题（如小配件切割缺失）与实际使用场景的差异，为项目迭代提供了真实数据支持。
从 HuggingFace 搬家到魔搭：一个二次元项目的上线手记
文章作者分享了二次元图形学项目 See‑Through 从 HuggingFace Space 迁移到 ModelScope 创空间的实战经验。首先介绍了平台提供的 Ada 系列显卡（48 GB 显存）以及使用统计，说明了国内免费 CDN 与推理服务器的价值。随后详细阐述了部署流程：创建创空间、选择硬件、配置镜像、推送代码、下载模型权重以及 GPU 使用方式。重点列举了五大坑点，包括不要在 requirements.txt 中 pin torch、正确使用版本约束、平台自带的 gradio 与 pydantic、正确导入 snapshot_download，以及避免硬编码的 huggingface 地址。文末提供了社区反馈、数据统计以及感谢致谢，强调了开源研究的非商业属性，并提供了代码、模型和论文链接。
文章金句
"等于在国内白得了一个 CDN 加一台随时能访问的推理服务器。
"别在 requirements.txt 里 pin torch。
"gradio、pydantic 由平台控制，别写进 requirements.txt。
"如果 xGPU 在 init 阶段拿不到 GPU 就回滚。