/ Модель

Характеристики

Лицензия
MIT
Библиотека
nanovlm
Опубликована
11 сен 2026

nanoVLM2

Изображение и текст → текст

Компактная vision-language модель на 222 млн параметров для ответов на текстовые запросы об изображениях и экспериментов с обучением VLM.

16скачиваний 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

DavidHandsome/nanoVLM2 — компактная мультимодальная модель «зрение—язык» для экспериментов и эффективного обучения. Она реализована на PyTorch и объединяет визуальный энкодер ViT на базе SigLIP-B/16-224-85M с лёгкой авторегрессионной языковой моделью SmolLM2-135M; общий размер составляет 222 млн параметров. Модель принимает изображение и текстовый запрос и генерирует текстовый ответ, поэтому подходит для вопросов об изображениях и их описания.

Карточка позиционирует nanoVLM как минимальную модель для обучения и экспериментов; архитектура и логика обучения занимают около 750 строк кода. Репозиторий распространяется в формате Safetensors по лицензии MIT. Языки модели и длина контекста в предоставленных данных не описаны.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • создание кратких описаний изображений
  • эксперименты с обучением компактных VLM

Ограничения

Модель компактная и предназначена для экспериментов; карточка не приводит оценок качества или ограничений по типам изображений и запросов.

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/nanoVLM2")

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
55bc859

0 моделей