/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
qwen2_vl · dense
Базовая модель
Qwen2-VL-2B-Instruct
Опубликована
6 дек 2024

biomed-Qwen2-VL-2B-Instruct

Языковая модель3 профессии

Компактная мультимодальная модель AdaptLLM для ответов на вопросы и анализа изображений в биомедицинских сценариях.

40скачиваний за 30 дней2лайкавеса обновлены21 авг 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

biomed-Qwen2-VL-2B-Instruct — мультимодальная модель для биомедицины, разработанная командой AdaptLLM на основе Qwen/Qwen2-VL-2B-Instruct с помощью доменного постобучения на наборе AdaptLLM/biomed-visual-instructions. Модель сохраняет архитектуру Qwen2-VL и рассчитана на диалоговые запросы с изображениями: она отвечает на вопросы по медицинским и биологическим изображениям и помогает анализировать визуальную информацию в биомедицинских сценариях.

Модель содержит 1,5 млрд параметров, принимает текст и изображения, выдаёт текст и поддерживает контекст до 32 768 токенов. В README отмечено, что изображение нужно размещать в начале инструкции. Модель предназначена для доменно-адаптированных ответов и оценки на биомедицинских VQA-бенчмарках; лицензия — Apache-2.0. Результаты модели не следует считать заменой профессиональной медицинской оценки.

Сценарии применения

  • ответы на вопросы по медицинским изображениям
  • ответы на вопросы по биологическим изображениям
  • анализ визуальных данных в биомедицинских исследованиях
  • оценка мультимодальных моделей на биомедицинских VQA-бенчмарках

Ограничения

Для AdaMLLM изображение нужно размещать в начале инструкции. Модель предназначена для биомедицинских сценариев, но её ответы не заменяют профессиональную медицинскую оценку.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Adapting Multimodal Large Language Models to Domains via Post-Training (EMNLP 2025)

This repos contains the biomedicine MLLM developed from Qwen-2-VL-2B-Instruct in our paper: On Domain-Specific Post-Training for Multimodal Large Language Models. The correspoding training dataset is in medicine-visual-instructions.

The main project page is: Adapt-MLLM-to-Domains

1. To Chat with AdaMLLM

Our model architecture aligns with the base model: Qwen-2-VL-Instruct. We provide a usage example below, and you may refer to the official Qwen-2-VL-Instruct repository for more advanced usage instructions.

Note: For AdaMLLM, always place the image at the beginning of the input instruction in the messages.

  1. Set up
pip install qwen-vl-utils
  1. Inference
from transformers import Qwen2VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# default: Load the model on the available device(s)
model = Qwen2VLForConditionalGeneration.from_pretrained(
    "AdaptLLM/biomed-Qwen2-VL-2B-Instruct", torch_dtype="auto", device_map="auto"
)

# We recommend enabling flash_attention_2 for better acceleration and memory saving, especially in multi-image and video scenarios.
# model = Qwen2VLForConditionalGeneration.from_pretrained(
#     "AdaptLLM/biomed-Qwen2-VL-2B-Instruct",
#     torch_dtype=torch.bfloat16,
#     attn_implementation="flash_attention_2",
#     device_map="auto",
# )

# default processer
processor = AutoProcessor.from_pretrained("AdaptLLM/biomed-Qwen2-VL-2B-Instruct")

# The default range for the number of visual tokens per image in the model is 4-16384. You can set min_pixels and max_pixels according to your needs, such as a token count range of 256-1280, to balance speed and memory usage.
# min_pixels = 256*28*28
# max_pixels = 1280*28*28
# processor = AutoProcessor.from_pretrained("AdaptLLM/biomed-Qwen2-VL-2B-Instruct", min_pixels=min_pixels, max_pixels=max_pixels)


# NOTE: For AdaMLLM, always place the image at the beginning of the input instruction in the messages.
messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

# Preparation for inference
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

2. To Evaluate Any MLLM on Domain-Specific Benchmarks

Please refer to the biomed-VQA-benchmark to reproduce our results and evaluate many other MLLMs on domain-specific benchmarks.

3. To Reproduce this Domain-Adapted MLLM

See Post-Train Guide to adapt MLLMs to domains.

Citation

If you find our work helpful, please cite us.

Adapt MLLM to Domains (EMNLP 2025 Findings)

@article{adamllm,
  title={On Domain-Adaptive Post-Training for Multimodal Large Language Models},
  author={Cheng, Daixuan and Huang, Shaohan and Zhu, Ziyu and Zhang, Xintong and Zhao, Wayne Xin and Luan, Zhongzhi and Dai, Bo and Zhang, Zhenliang},
  journal={arXiv preprint arXiv:2411.19930},
  year={2024}
}

Adapt LLM to Domains (ICLR 2024)

@inproceedings{
cheng2024adapting,
title={Adapting Large Language Models via Reading Comprehension},
author={Daixuan Cheng and Shaohan Huang and Furu Wei},
booktitle={The Twelfth International Conference on Learning Representations},
year={2024},
url={https://openreview.net/forum?id=y886UXPEZ0}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

У модели не указана задача.

Класс архитектуры
Qwen2VLForConditionalGeneration
Ревизия весов
349ec61

0 моделей