Характеристики

Лицензия: MIT
Библиотека: nanovlm
Опубликована: 6 июл 2026

Ссылки

nanoVLM

Изображение и текст → текст3 профессии

Компактная визуально-языковая модель на 222 млн параметров для генерации текстовых ответов на запросы по изображениям и экспериментов с обучением VLM.

9скачиваний за 30 дней0лайковвеса обновлены6 июл 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

nanoVLM — компактная модель «изображение—текст» для экспериментов и эффективного обучения, опубликованная Asio123. Она построена на PyTorch и объединяет визуальный энкодер ViT на основе SigLIP-B/16-224-85M с лёгкой авторегрессионной языковой моделью SmolLM2-135M; общий размер составляет 222 млн параметров. Модель принимает изображение и текстовый запрос, а в ответ генерирует текст, что подходит для экспериментов с визуально-языковыми задачами.

Архитектура и логика обучения описаны как минималистичные и помещаются примерно в 750 строк кода. Репозиторий распространяет веса в формате Safetensors; лицензия — MIT. Карточка позиционирует nanoVLM как средство для обучения и экспериментов, а не сообщает о проверенных характеристиках качества или производственной готовности.

Сценарии применения

ответы на вопросы по изображению
создание текстового описания изображения
эксперименты с обучением визуально-языковых моделей

Ограничения

Карточка не приводит результаты оценки качества и не описывает поддерживаемые языки; модель позиционируется для обучения и экспериментов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.6Разработка и данныеДокументация и сопровождение разработкиAI помогает поддерживать понятную техническую документацию и ускорять передачу знаний.18 задач38 015моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

nanoVLM is a minimal and lightweight Vision-Language Model (VLM) designed for efficient training and experimentation. Built using pure PyTorch, the entire model architecture and training logic fits within ~750 lines of code. It combines a ViT-based image encoder (SigLIP-B/16-224-85M) with a lightweight causal language model (SmolLM2-135M), resulting in a compact 222M parameter model.

For more information, check out the base model on https://huggingface.co/lusxvr/nanoVLM-222M.

Usage:

Clone the nanoVLM repository: https://github.com/huggingface/nanoVLM. Follow the install instructions and run the following code:

from models.vision_language_model import VisionLanguageModel

model = VisionLanguageModel.from_pretrained("Asio123/nanoVLM")

Как запустить

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

GPU в ailist

Универсальный рантайм · nanovlm

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов: 8e6435b