/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
494 млн
Лицензия
CC BY-NC 4.0
Архитектура
mobile_o_inference · dense
Базовая модель
Sana_600M_512px_diffusers
Библиотека
transformers
Опубликована
11 фев 2026

Mobile-O-0.5B

Генерация текстаТекст → текст3 профессии

Mobile-O-0.5B — мультимодальная модель Amshaker для диалога по изображениям и генерации изображений на мобильных и периферийных устройствах.

93скачиваний за 30 дней11лайковвеса обновлены24 фев 2026

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

Mobile-O-0.5B — компактная мультимодальная модель Amshaker для мобильных и периферийных устройств, объединяющая понимание изображений и генерацию изображений в одной архитектуре. Метаданные указывают 493,7 млн параметров, контекст 32 768 токенов и формат Safetensors; README приводит другое значение размера — 1,6 млрд параметров, поэтому точный размер модели по доступным сведениям неоднозначен.

Модель поддерживает диалог по изображениям, визуальные вопросы и ответы, OCR, рассуждения по визуальному содержимому, генерацию изображений по тексту и редактирование изображений. В описанной архитектуре используются FastVLM-0.5B с визуальным энкодером FastViT и языковой основой Qwen2-0.5B, диффузионный декодер SANA-600M-512 и проектор для связи компонентов. Метаданные отмечают слияние FastVLM-0.5B и SANA_600M_512px_diffusers; модель доступна через Transformers.

Модель предназначена для сценариев на мобильных устройствах, включая генерацию изображений 512×512; README заявляет время генерации около трёх секунд на iPhone. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства и запрещает коммерческое применение. В карточке не приведены результаты независимых оценок качества.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • распознавание текста на изображениях
  • визуальные рассуждения по изображению
  • генерация изображения по текстовому описанию
  • редактирование изображений по запросу

Ограничения

Лицензия CC BY-NC 4.0 запрещает коммерческое использование. Источники расходятся в оценке числа параметров: метаданные указывают 493,7 млн, а README — 1,6 млрд; независимые результаты оценки качества не приведены.

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

Unified Multimodal Understanding and Generation on Mobile Device

📌 Overview

Mobile-O-0.5B is a compact unified vision–language–diffusion model that performs both multimodal understanding (VQA, OCR, reasoning) and image generation within a single architecture, designed for mobile and edge deployment.

SpecDetail
Total Parameters1.6B
Image Resolution512×512
Image Generation~3 seconds on iPhone
Visual Understanding~0.4 seconds on iPhone
Memory Footprint< 2GB

🎯 Supported Tasks

TaskInput → Output
💬 Conversational AIText → Text
👁️ Image UnderstandingImage + Text → Text
🖼️ Image GenerationText → Image
✏️ Image EditingImage + Text → Image

🚀 Quick Start

Download

from huggingface_hub import snapshot_download

snapshot_download(
    repo_id="Amshaker/Mobile-O-0.5B",
    repo_type="model",
    local_dir="checkpoints",
    allow_patterns=["final_merged_model_23620/*"]
)

Image Understanding

python infer_und.py \
    --model_path checkpoints/final_merged_model_23620/ \
    --image_path assets/cute_cat.png \
    --prompt "What is in the image?"

Image Generation

python infer_gen.py \
    --model_path checkpoints/final_merged_model_23620/ \
    --prompt "A vibrant tropical rainforest scene with a scarlet macaw perched on a moss-covered branch"

Image Editing

python infer_edit.py \
    --model_path checkpoints/final_merged_model_23620/ \
    --image_path assets/cute_cat.png \
    --prompt "Make the cat wear a hat"

🏗️ Architecture

Mobile-O consists of three main components:

  • Vision-Language Model (VLM): FastVLM-0.5B — FastViT vision encoder + Qwen2-0.5B language backbone
  • Diffusion Decoder: SANA-600M-512 — lightweight linear DiT with VAE for 512×512 generation
  • Mobile Conditioning Projector (MCP): ~2.4M param connector using layerwise feature fusion with temperature-scaled weights, depthwise-separable 1D convolutions, and efficient channel attention

🏋️ Training

Trained in three stages:

  1. Pre-training — Cross-modal alignment on 4M text-image pairs
  2. SFT — Supervised fine-tuning on ~105K curated pairs
  3. Post-training — Unified multimodal training on ~105K quadruplets

🔗 Related Resources

ResourceLink
🤗 Mobile-O-1.5BModel
🤗 Mobile-O-0.5B-iOSiOS Components
📱 iOS App Source CodeMobile-O-App

📄 Citation

@article{shaker2026mobileo,
  title={Mobile-O: Unified Multimodal Understanding and Generation on Mobile Device},
  author={Shaker, Abdelrahman and Heakl, Ahmed and Muhammad, Jaseel and Thawkar, Ritesh and Thawakar, Omkar and Li, Senmao and Cholakkal, Hisham and Reid, Ian and Xing, Eric P. and Khan, Salman and Khan, Fahad Shahbaz},
  journal={arXiv preprint arXiv:2602.20161},
  year={2026}
}

⚖️ License

Released under CC BY-NC 4.0. For research purposes only.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Архитектура mobile_o_inference неизвестна transformers в образе рантайма.

Класс архитектуры
MobileOForCausalLM
Ревизия весов
92b5ef6

0 моделей