/ Модель

Характеристики

Контекст
8 192 токена
Архитектура
smolvlm · dense
Базовая модель
SmolVLM2-500M-Video-Instruct
Библиотека
transformers
Опубликована
27 июн 2026

FoodExtract-Vision-SmolVLM2-500M-fine-tune-v1-VIDEO

Изображение и текст → текст3 профессии

Компактная мультимодальная модель на базе SmolVLM2 для диалогового анализа визуального содержимого, ориентированная на извлечение информации о еде.

18скачиваний за 30 дней0лайковвеса обновлены27 июн 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 «Изображение → 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

Bartek7630/FoodExtract-Vision-SmolVLM2-500M-fine-tune-v1-VIDEO — модель Hugging Face, дообученная на базе HuggingFaceTB/SmolVLM2-500M-Video-Instruct с использованием TRL. Это компактная мультимодальная модель для диалоговых задач с изображениями и видео; каталог указывает поддержку обработки изображения с выдачей текста. Название и карточка связывают дообучение с извлечением информации о еде, однако README не описывает конкретные поля или формат извлечения. Модель распространяется в формате safetensors; лицензия, языки и ограничения в предоставленных данных не указаны.

Сценарии применения

  • ответы на вопросы о содержимом изображений с едой
  • извлечение сведений о еде из визуальных данных
  • диалоговый анализ кадров видео с едой

Ограничения

README не уточняет схему извлекаемых данных и не приводит оценок качества. Языки и условия лицензии по предоставленным материалам установить нельзя.

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

Model Card for smolvlm2-500m-FoodExtract-Vision-v1-VIDEO

This model is a fine-tuned version of HuggingFaceTB/SmolVLM2-500M-Video-Instruct. It has been trained using TRL.

Quick start

from transformers import pipeline

question = "If you had a time machine, but could only go to the past or the future once and never return, which would you choose and why?"
generator = pipeline("text-generation", model="None", device="cuda")
output = generator([{"role": "user", "content": question}], max_new_tokens=128, return_full_text=False)[0]
print(output["generated_text"])

Training procedure

This model was trained with SFT.

Framework versions

  • TRL: 1.6.0
  • Transformers: 5.12.0
  • Pytorch: 2.12.0+cu130
  • Datasets: 5.0.0
  • Tokenizers: 0.22.2

Citations

Cite TRL as:

@software{vonwerra2020trl,
  title   = {{TRL: Transformers Reinforcement Learning}},
  author  = {von Werra, Leandro and Belkada, Younes and Tunstall, Lewis and Beeching, Edward and Thrush, Tristan and Lambert, Nathan and Huang, Shengyi and Rasul, Kashif and Gallouédec, Quentin},
  license = {Apache-2.0},
  url     = {https://github.com/huggingface/trl},
  year    = {2020}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
SmolVLMForConditionalGeneration
Ревизия весов
fc29c5f

0 моделей