KerasFormers

O que é o KerasFormers?

O KerasFormers é uma biblioteca de modelos transformer pré-treinados construídos inteiramente em Keras 3 puro, com pesos convertidos de checkpoints originais. Ele abrange 118 famílias de modelos—de detecção de objetos e segmentação a reconhecimento de fala e grandes modelos de linguagem—e executa o mesmo código em backends JAX, PyTorch ou TensorFlow. Não há dependências de transformers ou torch em tempo de execução, tornando-o uma alternativa leve e agnóstica de framework para trabalhar com arquiteturas modernas.

Para quem é

• Desenvolvedores nativos de Keras que desejam permanecer no ecossistema Keras sem lidar com dependências de PyTorch ou Hugging Face.
• Engenheiros multi-backend que precisam de uma única base de código que execute de forma idêntica em JAX, PyTorch e TensorFlow para pesquisa ou produção.
• Exploradores de modelos que desejam acesso rápido a uma ampla gama de arquiteturas—DETR, SegFormer, SAM 3, Whisper, Qwen3 e mais—sem conversão manual de pesos ou configuração.

Principais recursos

Uma API unificada para cada modelo

Cada modelo é construído com from_weights e, em seguida, alimentado com o que seu processador produz. Seja executando um detector, um estimador de profundidade ou um LLM, o fluxo de trabalho é idêntico—portanto, alternar entre tarefas não custa nada em curva de aprendizado ou alterações de código.

Carregamento flexível de pesos de três fontes

from_weights despacha automaticamente: aceita um repositório Keras pré-convertido no Hub, um nome de variante simples que converte um checkpoint upstream em tempo real, ou qualquer repositório Hugging Face compatível atrás do prefixo hf:. Detalhes de arquitetura, como contagens de classes, são lidos da configuração do repositório, então modelos ajustados funcionam sem configuração extra.

Quantização integrada na mesma chamada

Quantização apenas de peso int8, int4, fp8 e mxfp4 são argumentos para a mesma chamada from_weights, em qualquer modelo. Checkpoints grandes como GPT-OSS 120B carregam em bfloat16 com especialistas MoE empacotados em MXFP4 e desquantizados em tempo real, mantendo a memória perto de 66 GB em vez de ~130 GB em fp32.

Saídas medidas, não ilustrativas

Cada figura e resultado impresso em uma página de modelo vem da execução real do trecho ao lado dele na imagem ou clipe de áudio real mostrado. Nada é escrito à mão para parecer plausível—o que você lê é exatamente o que você obtém ao executá-lo você mesmo.

O que se destaca

"Execute qualquer modelo, em qualquer backend."

Isso não é exagero de marketing. O KerasFormers cumpre isso portando 118 famílias de modelos para Keras 3 puro com pesos convertidos, e então permite que você alterne entre JAX, PyTorch e TensorFlow com uma única variável de ambiente. A combinação de amplitude, flexibilidade de backend e documentação honesta e reproduzível torna-o uma descoberta rara no espaço de bibliotecas de ML.

Vale a pena conferir se…

Você está construindo com Keras e deseja acesso a transformers modernos sem sair do ecossistema, ou se precisa de uma única base de código que execute em múltiplos backends para portabilidade. Também é uma ótima opção se você trabalha com modelos grandes e deseja opções diretas de quantização, ou se valoriza documentação que reflete resultados reais e executáveis em vez de exemplos artesanais.