Format Atlas

Guías

Comprobaciones antes de entregar un modelo de IA

Distinga pesos, grafos de cálculo y entornos de inferencia. Entregue dependencias y resultados de entradas representativas; una conversión exitosa no demuestra compatibilidad ni calidad.

¿Qué formato deberías elegir?

Elige según la función de cada archivo en tu flujo de trabajo.

  • Registrar requisitos y procedencia
  • Reunir los archivos necesarios
  • Validar la inferencia en destino

Registrar requisitos y procedencia

Registre origen, revisión, condiciones de uso, arquitectura, tipos y formas de entrada/salida, preprocesamiento y posprocesamiento. Compare IR/opset de ONNX y tipos de tensores GGUF con el entorno de destino.

Reunir los archivos necesarios

Conserve referencias a pesos externos ONNX. Incluya fragmentos Safetensors, índices, definición del modelo y dependencias necesarias. GGUF puede requerir partes o archivos auxiliares. Compruebe si tokenizer y ajustes están integrados o separados.

Validar la inferencia en destino

Use un cargador actualizado y compatible para revisar estructura, nombres, tipos y formas de tensores. Con idéntico preprocesamiento y entradas, compare salidas y registre tolerancias y memoria. Evalúe conversión y cuantización por separado.

Formatos a considerar

ONNX

Adecuado para: Intercambiar grafos con entornos compatibles

Menos adecuado para: Suponer compatibilidad con todos los operadores y opsets

Safetensors

Adecuado para: Guardar y distribuir pesos de tensores

Menos adecuado para: Suponer que los pesos incluyen definición y código ejecutable

GGUF

Adecuado para: Entregar modelos a implementaciones GGML compatibles

Menos adecuado para: Deducir cuantización o compatibilidad por la extensión

Antes de exportar

  • El nombre del formato o los hashes no prueban procedencia ni seguridad. No ejecute sin precaución código o entradas de conversión no fiables; compruebe su origen.
  • Conserve modelo original, parámetros e inventario. Una entrada coincidente no garantiza calidad para todas las entradas o dispositivos.

Comparaciones relacionadas

Safetensors frente a ONNX: pesos o grafos del modeloSafetensors almacena tensores con nombre. ONNX representa un modelo con grafo de cálculo, entradas, salidas y versiones de operadores.GGUF frente a Safetensors: distribución para inferencia y pesosGGUF distribuye modelos de inferencia para implementaciones compatibles basadas en GGML. Safetensors guarda tensores con nombre; la definición del modelo y el entorno se proporcionan aparte.Keras frente a ONNX: guardar el entrenamiento o exportar inferencia.keras guarda configuración, pesos y el estado del optimizador si existe en Keras. ONNX representa grafos de cálculo para entornos de ejecución compatibles.

Guías

Comprobaciones antes de entregar matrices científicasEntregue matrices netCDF, HDF5 o Zarr con su significado, dependencias y requisitos de lectura. A diferencia de elegir un formato tabular, hay que verificar dimensiones y valores ausentes.

Referencias y especificaciones