/ Модель

Характеристики

Контекст
32 768 токенов
Параметры
3,1 млрд
Размер весов
7 ГБ
Лицензия
Своя лицензия
Архитектура
qwen2 · dense
Базовая модель
Qwen2.5-3B-Instruct
Опубликована
20 сен 2026

LLaVA-qwen25-3b-Tfull-r2-s42-s2a

Генерация текстаТекст → текст3 профессии

Текстовая ветвь на базе Qwen2.5-3B-Instruct, дообученная на текстовых подписях к изображениям для контролируемых сравнительных экспериментов.

281скачиваний за 30 дней0лайковвеса обновлены20 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

BAJUKA/LLaVA-qwen25-3b-Tfull-r2-s42-s2a — экспериментальная текстовая ветвь серии LLaVA-NeXT, подготовленная для контролируемого сравнения обучения на текстовых и визуально-языковых данных. Модель разработал BAJUKA на базе Qwen/Qwen2.5-3B-Instruct: при дообучении использовались примеры из этапа captioning, но из них убрали изображения и специальные токены, поэтому модель обучалась только на тексте. Параметры vision tower и projector сохранены в исходном состоянии и не задействуются.

Это плотная авторегрессионная модель семейства Qwen2 с 3,1 млрд параметров и контекстом 32 768 токенов. Она предназначена для генерации текста и диалогов на основе текстового ввода; её ценность — в сравнительных экспериментах, позволяющих изучать влияние визуально-языкового обучения при одинаковых примерах и порядке данных. Модель не является отобранным по качеству или специально настроенным для безопасного применения релизом. Лицензия указана как other; README сообщает, что действуют лицензия и ограничения базовой Qwen2.5-3B-Instruct. Для загрузки требуется класс LlavaQwenForCausalLM из репозитория LLaVA-NeXT, который не входит в Transformers.

Сценарии применения

  • генерация текста и ответов в диалоге
  • сравнение текстового обучения с визуально-языковым на одинаковых данных
  • эксперименты с генерацией подписей по их текстовым примерам
  • изучение влияния этапа captioning на языковую модель

Ограничения

Это исследовательский артефакт контролируемого сравнения, а не проверенный или специально настроенный для безопасности релиз; отбор лучшего чекпойнта не проводился. Для загрузки нужен класс LlavaQwenForCausalLM из LLaVA-NeXT; лицензия указана как other, с ограничениями базовой модели.

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-qwen25-3b-Tfull-r2-s42-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 qwen25-3b (Qwen/Qwen2.5-3B-Instruct), seed 42, mixture draw r2, 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 fromQwen/Qwen2.5-3B-Instruct
Data mixtureCAP-750K (r2 draw) — captions_700k_r2 (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 2.800 -> 1.517 (mean of last 50 logged steps: 1.542), 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 LlavaQwenForCausalLM 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-qwen25-3b-Tfull-r2-s42-s2a", None, "llava_qwen"
)

Prompt template: qwen_2_5.

Caveats

  • Research artifact from a controlled comparison, not a tuned or safety-aligned release. It inherits the licence and the limitations of Qwen/Qwen2.5-3B-Instruct.
  • This (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
LlavaQwenForCausalLM
Ревизия весов
2698001

0 моделей