/ 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
31 авг 2026

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

Генерация текстаТекст → текст3 профессии

Текстовая ветвь контролируемого эксперимента на базе Llama 3.2 3B Instruct для генерации текста и сравнения эффектов визуально-языкового обучения.

58скачиваний за 30 дней0лайковвеса обновлены31 авг 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 разработал LLaVA-llama32-3b-Tfull-s42-s2b как текстовую ветвь контролируемого эксперимента по сравнению языкового и визуально-языкового обучения на базе LLaVA-NeXT. Это дообученная плотная модель семейства Llama с архитектурой LlavaLlamaForCausalLM и 3,2 млрд параметров; этап S2b продолжает обучение с чекпойнта S2a на инструктивных данных. В этой ветви использовались те же текстовые примеры и порядок, что и в визуально-языковой ветви, но изображения удалялись, поэтому модель предназначена для генерации текста и диалогов, а не для обработки изображений. Контекст составляет до 131 072 токенов.

Модель подходит для экспериментального изучения влияния визуально-языкового обучения и для текстовых инструктивных запросов. В обучающем прогоне завершена одна эпоха; карточка приводит снижение loss с 0,899 до 0,684. Это промежуточный исследовательский артефакт, не отобранный как лучший чекпойнт и не заявленный как настроенный или выровненный по безопасности релиз. Для загрузки требуется реализация LlavaLlamaForCausalLM из репозитория LLaVA-NeXT, которая не входит в Transformers. Применяются лицензия Llama 3.2 и ограничения базовой модели Meta Llama 3.2 3B Instruct.

Сценарии применения

  • генерация ответов на инструктивные запросы
  • ведение текстового диалога
  • сравнение текстового и визуально-языкового обучения на одинаковых примерах
  • воспроизведение контролируемого эксперимента с LLaVA-NeXT

Ограничения

Это экспериментальный промежуточный чекпойнт без отбора лучшей версии и без заявленного выравнивания по безопасности. Изображения не обрабатываются; для загрузки нужна реализация 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-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-s42/s2a)
Data mixtureINS-750K — instruct_700k_v2 (697,850) + language_50k_v2 (49,956)
TrainableLM only (mm_language_model); vision tower and projector are untouched
Steps5842 / 5842 (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 0.899 -> 0.684 (mean of last 50 logged steps: 0.633), 0 non-finite losses across 5842 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-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
f2a838e

0 моделей