/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
1,5 млрд
Размер весов
7,7 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
mobile_o_inference · dense
Базовая модель
FastVLM-1.5B
Библиотека
transformers
Опубликована
6 фев 2026

Mobile-O-1.5B

Генерация текстаТекст → текст3 профессии

Mobile-O-1.5B — мультимодальная модель для диалога по изображениям, визуальных вопросов и ответов и генерации изображений по тексту.

53скачиваний за 30 дней12лайковвеса 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-1.5B — мультимодальная модель семейства Mobile-O для диалога с изображениями и генерации изображений, представленная в репозитории Amshaker. Она объединяет визуально-языковой компонент FastVLM-1.5B с диффузионным декодером SANA и предназначена для запуска с учётом ограничений мобильных устройств. Модель выполняет визуальные вопросы и ответы, распознавание текста на изображениях, рассуждение по визуальному содержимому, генерацию изображений по текстовому запросу и редактирование изображений.

Метаданные указывают 1,5 млрд параметров, архитектуру MobileOForCausalLM, библиотеку Transformers и контекст до 32 768 токенов. Карточка описывает FastVLM-1.5B на базе FastViT и Qwen2-1.5B, диффузионный декодер SANA-1600M-512 с Linear DiT и VAE, а также обучающий проектор MCP; в описании размера диффузионного компонента README есть расхождение между 1,6 млрд и 600 млн параметров. Обучение проходило в три этапа на парах текст–изображение, курируемых парах и мультимодальных наборах.

Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение. Карточка не сообщает о поддержке конкретных естественных языков; качество может зависеть от запроса и изображения, а заявленная мобильная направленность сама по себе не гарантирует работу на любом устройстве.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • распознавание текста на изображениях
  • визуальные рассуждения по загруженному изображению
  • генерация изображения по текстовому описанию
  • редактирование изображения по инструкции
  • диалог с изображениями на мобильном устройстве

Ограничения

Коммерческое использование запрещено лицензией CC BY-NC 4.0. README расходится в указании числа параметров диффузионного декодера (SANA-1600M-512 и SANA-600M-512), поэтому эту характеристику нельзя считать однозначной.

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-1.5B is the larger variant of the Mobile-O family — a unified vision–language–diffusion model that performs both multimodal understanding (VQA, OCR, reasoning) and image generation within a single architecture. It offers improved generation quality and understanding accuracy over the 0.5B variant.

SpecDetail
Total Parameters3.5B
VLM BackboneFastVLM-1.5B (FastViT + Qwen2-1.5B)
Diffusion DecoderSANA-1600M-512 (Linear DiT + VAE)
ConnectorMobile Conditioning Projector
Image Resolution512×512

🎯 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-1.5B",
    repo_type="model",
    local_dir="checkpoints"
)

Image Understanding

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

Image Generation

python infer_gen.py \
    --model_path checkpoints/ \
    --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/ \
    --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-1.5B — FastViT vision encoder + Qwen2-1.5B 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 9M 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-0.5BModel
🤗 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
bcefca9

0 моделей