2026-01-14 学习记录--LLM-申请Hugging Face 访问令牌(以Meta-Llama-3.1-8B-Instruct为例)

2026-01-14 学习记录--LLM-申请Hugging Face 访问令牌(以Meta-Llama-3.1-8B-Instruct为例)

LLM-申请 Hugging Face 访问令牌(以Meta-Llama-3.1-8B-Instruct为例)

一、请求访问Llama模型 ⭐️

随便进入想要访问的Llama模型,这里展示的是Meta-Llama-3-8B-Instruct
1、 点击链接,申请访问Llama模型
在这里插入图片描述
2、 填写相关申请信息,注意如下:👇🏻(1)、国家最好选「美国」,然后填 「美国的大学」;(2)、操作这一步时,节点需要是对应国家的节点(若是美国,那么节点也要是美国)。
在这里插入图片描述
3、 提交成功后,就可开始申请Llama模型的Hugging Face 访问令牌啦~

二、申请Llama模型的Hugging Face 访问令牌(以Meta-Llama-3.1-8B-Instruct为例)⭐️

在这里插入图片描述
1、判断是否需要申请
访问Meta-Llama-3.1-8B-Instruct模型在Hugging Face上的官方仓库
假若你看见“You need to agree to share your contact information to access this model”字样,说明需要申请授权。
在这里插入图片描述
2、申请Hugging Face 访问令牌的方法
申请Hugging Face 访问令牌:1、 在这个页面点击 “Expand to review and access2、 展开后把协议拉到底,勾选/确认 同意条款 & 同意分享联系信息(HF 需要把你的联系信息共享给 Meta,用于许可证合规)3、 「提交」后,一般会立刻变成可访问(有时需要几分钟刷新)
完成后你会看到类似:“You have been granted access”或者 Files and versions 里能正常看到文件列表(不再是提示框)
在这里插入图片描述


在这里插入图片描述
3、判断是否申请成功
判断是否申请成功:1、点击「头像」2、点击「Settings」3、进入「Gated Repositories」,就可以看见 申请的Llama 3.1 model出现了,不过目前请求状态(Request Status)是“PENDING”,需要几分钟时间,变成“ACCEPTED”,才说明有访问权限了。
在这里插入图片描述


在这里插入图片描述
在这里插入图片描述


在这里插入图片描述
或者 👇🏻
当再次访问Meta的Llama-3.1-8B-Instruct模型在Hugging Face上的官方仓库,看见“Gated model You have been granted access to this model”字样,也说明申请授权成功。
在这里插入图片描述

三、获取Access Token ⭐️

在这里插入图片描述
在这里插入图片描述


在这里插入图片描述


在这里插入图片描述


在这里插入图片描述
根据需求选择令牌类型(Token type):细粒、读、写
在这里插入图片描述


在这里插入图片描述


在这里插入图片描述


在这里插入图片描述

Read more

Clawdbot+Qwen3:32B快速部署:基于Ollama的轻量级Web Chat平台搭建

Clawdbot+Qwen3:32B快速部署:基于Ollama的轻量级Web Chat平台搭建 你是否试过想搭一个能跑大模型的聊天页面,却卡在环境配置、端口转发、API对接这些环节上?明明只是想让Qwen3:32B在浏览器里聊起来,结果光是配通接口就折腾半天。今天这篇,不讲原理、不堆参数,只说怎么用最轻的方式——Ollama + Clawdbot,10分钟内把本地32B大模型变成可访问的Web聊天页。 整个过程不需要Docker编排、不碰Nginx配置、不改一行前端代码。你只需要一台能跑Ollama的机器(Mac/Windows WSL/Linux都行),一条命令拉起模型,再启动Clawdbot,它会自动连上你的本地Qwen3:32B,通过内置代理把8080端口的服务稳稳转到18789网关,然后你打开浏览器就能开始对话。下面我们就从零开始,一步步走通这条最短路径。 1. 前置准备:确认基础环境是否就绪 在动手之前,先花2分钟确认三件事——它们决定了后续是否能“一键跑通”,而不是卡在第一步。 * Ollama已安装且可运行 打开终端,输入 ollama --versi

Step3-VL-10B企业应用实践:电商商品图OCR+构图分析自动化方案

Step3-VL-10B企业应用实践:电商商品图OCR+构图分析自动化方案 1. 引言:电商视觉内容的效率困局 如果你在电商行业工作过,或者自己开过网店,一定遇到过这样的场景:每天要处理成百上千张商品图片,每张图都要手动写描述、提取文字信息、分析构图好不好看。这活儿干起来有多累,谁干谁知道。 就拿一个中等规模的电商团队来说,每天上新50个商品,每个商品5张主图,那就是250张图片。每张图要完成: * 识别图片里的所有文字(品牌、型号、规格、价格) * 分析图片的构图是否吸引人(主体是否突出、背景是否干净) * 检查图片质量(清晰度、色彩、光线) * 生成商品描述文案 如果全靠人工,一个熟练的美工或运营,处理一张图至少需要5-10分钟。250张图就是20-40小时的工作量,相当于一个人干整整一周。这还没算上可能出现的错误——人眼疲劳了,看漏了文字信息,或者对构图的判断有偏差。 更头疼的是,不同平台对商品图的要求还不一样。某宝喜欢白底图,某东要求带场景,某多多要突出价格优势。同一张图,在不同平台可能需要不同的描述和标签。 这就是我们今天要解决的问题。

PCTF2025(web后半部分)

PCTF2025(web后半部分)

神秘商店 打开题目只有一个登录框 登录admin 利用全角来注册登录 后端代码有转换,全角能够绕过后端对admin的检测,然后把全角admin识别成正常的admin,造成覆盖注册,修改admin密码 注册admin,其中n为全角 利用整数溢出4294967246到50,购买flag 可以直接脚本登录 import requests def exploit(): url = "http://challenge2.pctf.top:32735" session = requests.Session() print("[+] 注册管理员账户...") users = { "username": "admin", "password": "123456" } response = session.post(f&

教育行业新机遇:用GLM-4.6V-Flash-WEB打造智能阅卷系统

教育行业新机遇:用GLM-4.6V-Flash-WEB打造智能阅卷系统 在一场全国性的中学期中考试后,某地教育局面临一个老问题:近十万份主观题试卷需要在五天内完成批改。以往靠抽调骨干教师集中阅卷的模式,不仅人力紧张、疲劳误判频发,还因评分标准执行不一引发争议。而今年,他们悄悄上线了一套基于 GLM-4.6V-Flash-WEB 的智能辅助阅卷系统——结果令人惊讶:90%的简答题实现自动评分,平均响应时间不到200毫秒,人工复核工作量减少70%,且评分一致性提升了45%。 这背后,正是多模态大模型技术向教育场景深度渗透的缩影。当AI不再只是“识别文字”,而是真正理解“学生写了什么、为什么这么写”,智能阅卷才从自动化工具迈向认知级助手。 从OCR到“类教师”理解:阅卷系统的代际跃迁 过去十年,教育科技领域的阅卷系统经历了三次迭代: * 第一代(纯OCR + 模板匹配):只能处理选择题卡或固定格式填空,对图像质量敏感,无法应对手写变体和开放性回答; * 第二代(NLP+规则引擎):引入关键词提取与句法分析,能初步判断语义相似度,但依赖大量人工编写规则,扩展性差; * 第三代(