/ 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-VLfull-s42-s2a

Генерация текстаТекст → текст3 профессии

Дообученная на подписях к изображениям мультимодальная модель LLaVA-NeXT для генерации текстовых описаний и ответов по изображениям.

12скачиваний 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/LLaVA-llama32-3b-VLfull-s42-s2a — мультимодальная модель семейства LLaVA-NeXT, созданная BAJUKA как этап S2a контролируемого сравнения режимов обучения vision-language моделей. Она дообучена на базе meta-llama/Llama-3.2-3B-Instruct: на этапе S2a обучалась генерации подписей к изображениям на смеси CAP-750K, включающей 700 тысяч примеров подписей и около 50 тысяч языковых примеров. Размер модели — 3,2 млрд параметров, архитектура плотная LlavaLlamaForCausalLM, заявленный контекст — 131 072 токена.

Модель принимает изображения и текст и генерирует текстовые ответы, прежде всего описания изображений; также поддерживает диалоговый сценарий. Для работы нужны веса safetensors и класс LlavaLlamaForCausalLM из репозитория LLaVA-NeXT, который не входит в библиотеку transformers. Лицензия — Llama 3.2. Это исследовательский артефакт контролируемого эксперимента, не оптимизированный релиз и не модель с дополнительным выравниванием безопасности; опубликованный чекпойнт представляет завершённый этап обучения, а не отобранную лучшую версию.

Сценарии применения

  • создание подписей к изображениям
  • ответы на вопросы о содержимом изображения
  • диалог по изображению
  • сравнение режимов обучения vision-language моделей

Ограничения

Это исследовательский чекпойнт одного этапа обучения без отбора лучшей версии и дополнительного выравнивания безопасности. Для загрузки требуется класс LlavaLlamaForCausalLM из LLaVA-NeXT; модель наследует ограничения базовой Llama 3.2 3B Instruct.

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-VLfull-s42-s2a — VL-cap

VL-cap arm of a controlled VL-vs-text training grid built on LLaVA-NeXT. Arm definition: S1 -> S2a, stop. Molmo-after-pretraining analog.

Backbone llama32-3b (meta-llama/Llama-3.2-3B-Instruct), seed 42, output of S2a (caption stage).

This is a vision-language arm: it trains the full VL stack on top of the stage-1 projector, with images at anyres_max_9 through google/siglip-so400m-patch14-384.

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 VLfull 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)
Trainableprojector + vision tower + LM (mm_vision_tower,mm_mlp_adapter,mm_language_model)
Steps5859 / 5859 (epoch 1.0000 of 1)
Global batch128
LR1e-5 (LM / projector), 2e-06 (vision tower), cosine, warmup ratio 0.03
Precisionbfloat16
Max seq length8192
Hardware4x H100 80GB (DeepSpeed ZeRO-3)

Training loss 1.497 -> 1.045 (mean of last 50 logged steps: 1.040), 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-VLfull-s42-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
0c9f6e9

0 моделей