/ 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
19 сен 2026

LLaVA-llama32-3b-Tfull-s1337-s2a

Генерация текстаТекст → текст3 профессии

Текстовая экспериментальная ветвь LLaVA-NeXT на базе Llama 3.2 3B для генерации текста и контролируемого сравнения с мультимодальным обучением.

141скачиваний за 30 дней0лайковвеса обновлены19 сен 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

LLaVA-llama32-3b-Tfull-s1337-s2a — текстовая ветвь контролируемого эксперимента T-cap, разработанная для сравнения обучения на текстовых и мультимодальных данных. Это плотная модель на 3,2 млрд параметров, дообученная на базе meta-llama/Llama-3.2-3B-Instruct на этапе caption stage: она обучалась на подписях к изображениям и языковых примерах, при этом изображения и специальные токены удалялись, а исходные примеры и их порядок сохранялись. Контекст составляет 131 072 токена; веса опубликованы в формате safetensors.

Модель предназначена для генерации текста и диалоговых сценариев, в частности для изучения влияния текстового обучения на результаты по сравнению с обучением с визуальным компонентом. Хотя в контрольной точке сохранены веса vision tower и проектора LLaVA-NeXT, они не используются: модель принимает только текст и не подходит для анализа изображений. Это экспериментальный исследовательский чекпойнт, не проходивший отбор лучшей версии или дополнительное выравнивание безопасности. Для загрузки требуется класс LlavaLlamaForCausalLM из репозитория LLaVA-NeXT. Лицензия — Llama 3.2; модель наследует ограничения базовой модели.

Сценарии применения

  • генерация текста по текстовой подсказке
  • ведение текстового диалога
  • сравнение текстового и визуально-языкового обучения
  • исследование влияния обучения на подписях к изображениям на языковые ответы

Ограничения

Это исследовательский чекпойнт без отбора лучшей версии и дополнительного выравнивания безопасности; изображения модель не обрабатывает, несмотря на сохранённые веса визуальных компонентов. Для загрузки необходим класс LlavaLlamaForCausalLM из LLaVA-NeXT.

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

LLaVA-llama32-3b-Tfull-s1337-s2a — T-cap

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

Backbone llama32-3b (meta-llama/Llama-3.2-3B-Instruct), seed 1337, output of S2a (caption 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

StageS2a (caption stage)
Initialized frommeta-llama/Llama-3.2-3B-Instruct
Data mixtureCAP-750K — captions_700k_v2 (700,000) + language_50k_v2 (49,956)
TrainableLM only (mm_language_model); vision tower and projector are untouched
Steps5859 / 5859 (epoch 1.0000 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 2.669 -> 1.312 (mean of last 50 logged steps: 1.338), 0 non-finite losses across 5859 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-s1337-s2a", 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 (s2a) 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
6f6ea90

0 моделей