/ Модель

Характеристики

Контекст
131 072 токена
Параметры
3,2 млрд
Размер весов
7,2 ГБ
Лицензия
Llama 3.2
Архитектура
llama · dense
Базовая модель
Llama-3.2-3B-Instruct
Опубликована
6 окт 2026

LLaVA-llama32-3b-Tfull-r2-s42-s2b

Генерация текстаТекст → текст

Текстовое дообучение Llama 3.2 3B Instruct для диалоговой генерации и контролируемого исследования влияния VL-обучения.

145скачиваний за 30 дней0лайковвеса обновлены6 окт 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

BAJUKA/LLaVA-llama32-3b-Tfull-r2-s42-s2b — текстовая ветвь контролируемого эксперимента по сравнению обучения LLaVA-NeXT с визуальными данными и без них. Это дообучение Meta Llama 3.2 3B Instruct с архитектурой LLaVA Llama для генерации текста и диалогов; модель содержит 3,2 млрд параметров и рассчитана на контекст до 131 072 токенов. На этапе S2b модель обучалась на инструкционных и языковых примерах: изображения и специальные токены были удалены, поэтому языковая часть обучалась только на тексте. Визуальные компоненты чекпойнта сохранены в исходном состоянии и при работе не используются.

Модель предназначена прежде всего для исследовательских контролируемых сравнений, изучающих влияние VL-обучения относительно тех же текстовых данных. Её можно применять для генерации ответов и выполнения инструкций в текстовом диалоге. Это промежуточный экспериментальный чекпойнт после одного полного прохода по данным, без выбора лучшего состояния и без заявлений о специальной настройке качества или безопасности. Для загрузки требуется класс LlavaLlamaForCausalLM из репозитория LLaVA-NeXT, который не входит в Transformers. Лицензия — Llama 3.2; модель наследует ограничения базовой Llama 3.2 3B Instruct.

Сценарии применения

  • генерация ответов в текстовом диалоге
  • выполнение инструкций на естественном языке
  • сравнение результатов текстового и визуально-языкового обучения
  • исследование влияния состава обучающих данных на поведение модели

Ограничения

Это экспериментальный чекпойнт, не прошедший выбор лучшей версии и не позиционируемый как настроенный или безопасно выровненный релиз. Визуальная башня и проектор не обучались и не используются; для загрузки нужна реализация LlavaLlamaForCausalLM из LLaVA-NeXT.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

LLaVA-llama32-3b-Tfull-r2-s42-s2b — T-full

T-full arm of a controlled VL-vs-text training grid built on LLaVA-NeXT. Arm definition: stripped S2a -> stripped S2b. Text twin of VL-full.

Backbone llama32-3b (meta-llama/Llama-3.2-3B-Instruct), seed 42, output of S2b (instruct stage).

This is a text twin: the exact same examples in the exact same order, with <image>/<video> tokens stripped and the image field removed, so only the language model is tuned. Vision-tower and projector weights are carried in the checkpoint at their initial values and are not used. It exists to isolate what VL training changes relative to consuming the same text.

What the grid controls

Every arm sees the same mixtures, the same example order for a given seed, the same optimizer settings and the same restarted LR schedule. Arms differ only in data, order, and which modules are trainable — so differences between arms are attributable, not confounded.

Because Tfull runs its stages sequentially with the seed inherited, the S2a checkpoint is the cap-only arm at that seed. Both stages are published separately for exactly that reason.

Training

StageS2b (instruct stage)
Initialized fromthe S2a checkpoint of this arm (LLaVA-llama32-3b-Tfull-r2-s42/s2a)
Data mixtureINS-750K (r2 draw) — instruct_700k_r2 (697,798) + language_50k_v2 (49,956, reused from v2)
TrainableLM only (mm_language_model); vision tower and projector are untouched
Steps5841 / 5841 (epoch 0.9999 of 1)
Global batch128
LR1e-5 (LM / projector), cosine, warmup ratio 0.03
Precisionbfloat16
Max seq length8192
Hardware4x H100 80GB (DeepSpeed ZeRO-3)

Training loss 0.812 -> 0.579 (mean of last 50 logged steps: 0.633), 0 non-finite losses across 5841 logged steps. The run reached a full epoch; trainer_state.json is included in this repo with the complete per-step loss / grad-norm / LR history.

Usage

These weights use the LlavaLlamaForCausalLM class from the LLaVA-NeXT repo, which is not part of transformers. Load them with that repo checked out:

from llava.model.builder import load_pretrained_model

tokenizer, model, image_processor, ctx_len = load_pretrained_model(
    "BAJUKA/LLaVA-llama32-3b-Tfull-r2-s42-s2b", None, "llava_llama"
)

Prompt template: llama_v3.

Caveats

  • Research artifact from a controlled comparison, not a tuned or safety-aligned release. It inherits the licence and the limitations of meta-llama/Llama-3.2-3B-Instruct.
  • The intermediate (s2b) checkpoint is a legitimate arm of the grid, not a "best" checkpoint — no early stopping or checkpoint selection was performed. Each stage simply runs one full epoch.
  • Optimizer / DeepSpeed / RNG state is not published; these are inference weights.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaLlamaForCausalLM
Ревизия весов
135d696

0 моделей