UIGEN-T1-Qwen-7b: Spezialisierte Modelle für die Generierung von HTML- und CSS-UI-Komponenten

Allgemeine Einführung

UIGEN-T1 ist ein 7-Milliarden-Parameter Transformator Modell, das auf der Grundlage von Qwen2.5-Coder-7B-Instruct feinabgestimmt und für die schlussfolgernde UI-Generierung entwickelt wurde. Es verwendet einen ausgeklügelten Chain-of-Thought-Ansatz, um leistungsstarke HTML- und CSS-basierte UI-Komponenten zu generieren. Derzeit ist es auf einfache Anwendungen wie Dashboards, Landing Pages und Registrierungsformulare beschränkt. Das Modell generiert HTML- und CSS-Layouts, indem es Designprinzipien zu Grunde legt. Es verfügt zwar über einen leistungsstarken Chain-Thinking-Prozess, ist aber derzeit auf textbasierte UI-Elemente und einfachere Front-End-Anwendungen beschränkt. Das Modell eignet sich hervorragend für Dashboards, Landingpages und Registrierungsformulare, bietet jedoch keine fortgeschrittene Interaktivität (z. B. Funktionen, bei denen viel JavaScript zum Einsatz kommt).

Funktionsliste

• UI-GenerationFähigkeit, HTML- und CSS-Code für die Erstellung von Benutzeroberflächen zu erzeugen.
• KettendenkenGenerieren von UI-Layouts durch Überlegungen zu Designprinzipien unter Verwendung eines Chain-Thinking-Ansatzes.
• Anwendbare SzenarienBesonders geeignet für einfache Anwendungen wie Dashboards, Landing Pages und Registrierungsformulare.
• Code-ErstellungDer generierte Code ist gut strukturiert und effektiv.

Hilfe verwenden

UIGEN-T1 ist in der Lage, HTML- und CSS-Code für Benutzeroberflächen (UI) auf der Grundlage von Stichworten zu generieren. Im Folgenden werden die grundlegenden Schritte und Überlegungen zur Verwendung des Modells beschrieben:

1. die Umwelt vorbereiten

Stellen Sie sicher, dass Ihre Umgebung die folgenden Anforderungen erfüllt:

• SoftwareEs werden mindestens 12 GB VRAM empfohlen.
• Hardware::
  • Transformers-Bibliothek (Umarmendes Gesicht)
  • PyTorch

2. die Installation von Abhängigkeiten

pip install transformers
pip install torch

3. grundlegender Argumentationscode

Verwenden Sie den folgenden Code für grundlegende Überlegungen:

from transformers import AutoModelForCausalLM, AutoTokenizer
modell_name = "smirki/UIGEN-T1"
tokeniser = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name).to("cuda")
prompt = """Benutzer
Erstelle ein Dashboard mit dunklem Thema für eine Bohrinsel.
Assistent
Denken
"""
inputs = tokenizer(prompt, return_tensors="pt").to("cuda")
outputs = model.generate(**inputs, max_new_tokens=12012, do_sample=True, temperature=0.7) #max Token muss größer als 12k sein
print(tokeniser.decode(outputs[0], skip_special_tokens=True))

4. die Auslegung des Kodex

• Modellbeladung::
  • model_name = "smirki/UIGEN-T1": Gibt den Modellnamen an.
  • tokenizer = AutoTokenizer.from_pretrained(model_name): Laden Sie den vortrainierten Disambiguator.
  • model = AutoModelForCausalLM.from_pretrained(model_name).to("cuda")Laden Sie das Modell und verschieben Sie es auf das CUDA-Gerät (falls vorhanden).
• Vorbereitung des Stichworts::
  • AufforderungAufforderungswörter, die Benutzeranweisungen enthalten. Erstellen Sie z. B. ein dunkles Themen-Dashboard für eine Bohrinsel.
• modellhafte Argumentation::
  • inputs = tokenizer(prompt, return_tensors="pt").to("cuda")Cue word: Konvertiert das Cue word in einen PyTorch-Tensor und verschiebt es auf ein CUDA-Gerät.
  • outputs = model.generate(**inputs, max_new_tokens=12012, do_sample=True, temperature=0.7)Ausgabe generieren.
    • max_neue_tokensLegt die maximale Anzahl der generierten Token fest, die größer als 12012 sein muss.
    • tun_probeSampling: Ermöglicht Sampling, um die Vielfalt der generierten Inhalte zu erhöhen.
    • Temperatur: steuert die Vielfalt der generierten Inhalte; niedrigere Werte machen die Ausgabe deterministischer.
• Ausgabe Dekodierung::
  • print(tokeniser.decode(outputs, skip_special_tokens=True))Dekodieren des generierten Tokens in Text und Drucken des Ergebnisses.

5. techniken der Verwendung

• Stichwort Technik::
  • Für eine bessere Argumentation kann es erforderlich sein, am Ende der Eingabeaufforderung "Antwort" hinzuzufügen.
  • Beispiel:Erstellen Sie ein Armaturenbrett für eine Bohrinsel mit dunklem Thema.
• Manuelle Nachbearbeitung::
  • Der generierte UI-Code muss möglicherweise manuell nachbearbeitet werden, um ihn zu verfeinern.
• Feintuning::
  • Das Modell kann für bestimmte Front-End-Frameworks (z. B. React, Vue usw.) weiter angepasst werden.

6. beschränkungen

• Nicht geeignet für komplexe Front-End-AnwendungenDieses Modell gilt nicht für komplexe Front-End-Anwendungen, die eine Vielzahl von JavaScript-Interaktionen beinhalten.
• Begrenzte DesignvielfaltDas Modell begünstigt einfache Front-End-Layouts und kann keine kreativen oder fortgeschrittenen UI-Layouts erzeugen.
• Artefakte: Einige Ausgaben können Formatierungsartefakte enthalten.

7. anwendbare Szenarien

• InstrumententafelnSchnelles Erstellen von Bildschirmen zur Datenpräsentation.
• ZielseiteErstellen einfacher einseitiger Anwendungen.
• AnmeldeformularGenerieren Sie den Bildschirm für die Benutzerregistrierung.