【免费下载链接】HEART-fp16项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/HEART-fp16点击查看免费下载HEART-fp16是开源超分辨率模型HEART的 MLXfp16移植版专为 Apple Silicon 芯片打造。它基于 HAT-iLN 窗口注意力 Transformer 架构仅1670 万参数就能把图片放大 4 倍或 2 倍并智能修复细节是图像超分辨率与画质修复场景下的轻量利器。本文带你 5 分钟内从零完成部署跑通第一张 4× 超分辨率图片。一、HEART-fp16 是什么为什么选它HEARTHybrid Efficient Attention with Rank-factorized bias Transformer由 Philip HofmannPhips开发是一个16.7M 参数的高效超分辨率网络仅使用 CC0 许可的 lucid-cc0-v2-hc-512 数据集训练无版权风险。mlx-community/HEART-fp16 将其完整转换为 MLX 格式主要特点特性说明 专为 Apple Silicon 优化基于 MLX 框架M 系列芯片原生加速⚡ 轻量高效仅 1670 万参数fp16 文件约 33MB低显存即可运行 4 个官方检查点覆盖 2×/4× 放大保真、锐化、干净源不同风格 精度可靠与上游 PyTorch 实现对齐至127.5 dB PSNR误差小于 1e-5 Apache-2.0 许可代码与权重均开源可商用 它主要服务于 Swift/MLX 生态中的imageUpscale引擎保真静态图档位也适合任何想在自己 Mac 上做 4× 超分辨率 / 老照片修复的场景。二、仓库里有什么4 个模型文件怎么选仓库结构非常干净只有 4 个模型权重文件加 1 个配置文件详见 README.md文件变体放大倍数适用场景heart_4x_otf_v2_fp16.safetensors.fidelity默认4×保真度最高最适合受损/压缩输入heart_4x_otf_gan_fp16.safetensors.sharp4×GAN 微调真实场景输出最锐利heart_4x_pretrain_fp16.safetensors.clean4×官方预训练版适合干净源图heart_2x_fp16.safetensors.clean2x2×官方 2× 预训练版config.json——架构参数、各变体元信息、校验和怎么选一句话老照片、截图、压缩图 → 用默认.fidelity追求锐利观感壁纸、摄影 → 用.sharp源图本身质量很好 → 用.clean只需 2 倍放大 → 用.clean2x每个变体都是独立文件按需加载即可不会加载多余权重。三、5 分钟快速上手从克隆到跑通 4×第 1 步克隆仓库约 1 分钟git clone https://gitcode.com/hf_mirrors/mlx-community/HEART-fp16克隆完成后你会得到上述 4 个.safetensors权重文件和 config.json。第 2 步了解配置约 1 分钟打开 config.json可以查看模型全部架构细节embed_dim: 180、6 层窗口注意力depths、window_size: 32每个变体的参数量、张量数、fp32/fp16 文件校验和sha256方便验证下载完整性第 3 步用 Swift/MLX 调用约 3 分钟HEART-fp16 面向 Swift/MLX 移植项目mlx-heart-swift设计。其用法非常简洁——注册包、指定变体、传入图片即可let engine MLXServeEngine() let id try await engine.register(HEARTUpscalePackage.registration, configuration: HEARTConfiguration(variant: .fidelity, quant: .fp16)) let out try await engine.run(ImageUpscaleRequest(image: image), package: id) // 输出为 4× 大图首次使用时引擎会自动从本仓库下载所选变体文件到本地模型缓存WeightSourcing之后离线可用。传入 2× 需求则改用.clean2x变体。✅ 三步完成克隆 → 查看配置 → 一行代码出图。没有复杂依赖没有 CUDA 配置Mac 开箱即用。四、为什么是 fp16混合精度背后的讲究 fp16 不等于粗暴地把所有权重砍成半精度。这个仓库采用了一套精细的混合精度策略conv / linear 张量fp16体积减半推理更快i-LN 归一化、仿射 weight/bias、RIB 隐式网络参数保留fp32共 748 个张量中的 220 个关键计算路径i-LN 统计量、softmax、全局平均池化等归约操作全程 fp32 执行config.json 中的fp16_keeps_fp32字段明确列出了保留 fp32 的张量清单例如*.norm1.{weight,bias}、*.to_q、*.to_k等。这样做既拿到了 fp16 的速度与体积优势又避免了敏感层精度损失。五、精度有多可信127.5 dB 的逐位对齐验证移植模型最怕跑是能跑但结果不对。HEART-fp16 给出了完整的一致性Parity报告见 README.md 的 Parity 章节对比项结果vs 上游 PyTorchCPU fp32同一输入128².fidelity变体127.5 dB PSNR.sharp125.3.clean122.5.clean2x124.0逐子操作误差相对误差 1e-5vs 作者 ONNX 导出ONNX Runtime90.2 / 84.9 / 95.8 dB与 torch 自身精度一致127 dB 的 PSNR 意味着输出与原实现几乎逐像素一致——这不是差不多而是数值级的严格对齐。✅六、许可与致谢模型代码 权重Apache-2.0Philip Hofmann / PhipsHAT / HAT-iLN 架构族XPixelGroupApache-2.0训练数据Phips/lucid-cc0-v2-hc-512平台声明CC0放弃版权使用这些权重时请记得给原作者 Phips 署名。七、常见问题 FAQQ1没有 M 系列 Mac 能用吗本仓库面向 MLX 生态最佳平台是 Apple SiliconM1/M2/M3/M4。Intel Mac 或 Windows 建议使用上游 PyTorch 版本。Q2fp16 和 fp32 版本有什么区别fp16 是出货版体积小、速度快、关键层保 fp32精度几乎无损另有平行的 fp32 参考仓库用于逐位对齐验证。一般用户选 fp16 即可。Q3模型文件损坏了怎么检查每个变体在 config.json 中记录了fp16_sha256用sha256sum对比即可验证完整性。总结步骤内容耗时1️⃣git clone克隆仓库~1 分钟2️⃣浏览 config.json 理解架构~1 分钟3️⃣Swift 三行代码注册并推理~3 分钟HEART-fp16 用最轻量的 16.7M 参数 fp16 混合精度在 Apple Silicon 上提供了经过严格验证的 4× 超分辨率能力。无论是修复老照片、放大截图还是给壁纸提分辨率现在你已经可以 5 分钟跑通它了。赞分享【免费下载链接】HEART-fp16项目地址https://ai.gitcode.com/hf_mirrors/mlx-community/HEART-fp16点击查看免费下载相关推荐5分钟快速上手Waifu2x-Extension-GUI超分辨率技术完整指南5分钟快速上手Waifu2x Extension GUI超分辨率技术完整指南 还在为模糊视频和低清图片烦恼吗Waifu2x Extension GUI作为一AI 应用图像处理视频处理桌面应用终极完整指南如何一键安装HS2-HF_Patch游戏增强补丁终极完整指南如何一键安装HS2 HF_Patch游戏增强补丁 你是否厌倦了日文原版Honey Select 2的游戏体验想要享受完整的英文翻译、去审查内容和游戏开发5分钟快速上手gradient-checkpointing让巨型神经网络轻松运行的完整指南5分钟快速上手gradient checkpointing让巨型神经网络轻松运行的完整指南 gradient checkpointing是一个强大的开源工具创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考