/ Модель

Характеристики

Лицензия
MIT
Библиотека
nanovlm
Опубликована
9 сен 2026

nanoVLM

Изображение и текст → текст3 профессии

Компактная VLM на 222 млн параметров для ответов на текстовые запросы о содержимом изображений и экспериментов с мультимодальным обучением.

40скачиваний за 30 дней0лайковвеса обновлены27 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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

nanoVLM — компактная мультимодальная модель «изображение—текст» для экспериментов и эффективного обучения, опубликованная DavidHandsome. Архитектура объединяет визуальный энкодер ViT на базе SigLIP-B/16-224-85M и причинную языковую модель SmolLM2-135M; общий размер составляет 222 млн параметров. Модель реализована на PyTorch, а её архитектура и логика обучения занимают около 750 строк кода.

Модель принимает изображения и текстовые запросы и формирует текстовые ответы по содержимому изображений. Её компактность и простая реализация подходят для изучения VLM, обучения и экспериментов с мультимодальными моделями. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание объектов и сцен на изображении
  • эксперименты с обучением компактных VLM
  • изучение реализации моделей «изображение—текст»

Ограничения

Компактный размер и исследовательская направленность могут ограничивать качество по сравнению с более крупными VLM; README не приводит результатов оценки. Язык ответов отдельно не описан.

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

nanoVLM is a minimal and lightweight Vision-Language Model (VLM) designed for efficient training and experimentation. Built using pure PyTorch, the entire model architecture and training logic fits within ~750 lines of code. It combines a ViT-based image encoder (SigLIP-B/16-224-85M) with a lightweight causal language model (SmolLM2-135M), resulting in a compact 222M parameter model.

For more information, check out the base model on https://huggingface.co/lusxvr/nanoVLM-222M.

Usage:

Clone the nanoVLM repository: https://github.com/huggingface/nanoVLM. Follow the install instructions and run the following code:

from models.vision_language_model import VisionLanguageModel

model = VisionLanguageModel.from_pretrained("DavidHandsome/nanoVLM")

Как запустить

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

GPU в ailist

Универсальный рантайм · nanovlm

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
a301b33

0 моделей