/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Опубликована
25 мая 2025

HuatuoGPT-Vision-7B-Qwen2.5VL

Генерация текстаТекст → текст3 профессии

Мультимодальная медицинская модель на базе Qwen2.5-VL для ответов на вопросы по изображениям и тексту.

1 534скачиваний за 30 дней12лайковвеса обновлены25 мая 2025

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

HuatuoGPT-Vision-7B — мультимодальная модель для медицинских задач, разработанная FreedomIntelligence и дообученная на наборе PubMedVision. Она основана на Qwen2.5-VL-7B-Instruct, использует плотную архитектуру Qwen2.5-VL с 7,1 млрд параметров и принимает текст и изображения, выдавая текст. Метаданные указывают контекстное окно 128 000 токенов; модель распространяется в формате safetensors под лицензией Apache-2.0.

Модель предназначена для диалога и ответов на вопросы по медицинским изображениям и связанному тексту. Карточка рекомендует использовать тот же шаблон работы, что и для Qwen2.5-VL-Instruct. Данных для оценки точности в конкретных клинических сценариях карточка не приводит; результаты модели не следует считать клиническим заключением.

Сценарии применения

  • ответы на вопросы по медицинским изображениям
  • описание медицинских изображений на естественном языке
  • медицинский диалог с учётом визуального контекста

Ограничения

Карточка не приводит результатов оценки качества и не подтверждает пригодность для клинических решений. Поддержка медицинских сценариев не заменяет профессиональную диагностику.

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

This is the HuatuoGPT-Vision model based on the Qwen2.5-VL architecture. It was trained on the PubMedVision dataset using the Qwen2.5-VL framework. For details, please refer to the training code at HuatuoGPT-Vision Code.

Introduction

HuatuoGPT-Vision is a multimodal LLM for medical applications, built with the PubMedVision dataset. HuatuoGPT-Vision-7B is trained based on Qwen2-7B using the LLaVA-v1.5 architecture.

Quick Start

For usage, please refer to Qwen2.5-VL-Instruction, as it shares the same model architecture and usage pattern.

Here we show a code snippet to show you how to use the chat model with transformers and qwen_vl_utils:

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

# default processer
processor = AutoProcessor.from_pretrained("Qwen/Qwen2.5-VL-7B-Instruct")

messages = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg",
            },
            {"type": "text", "text": "Describe this image."},
        ],
    }
]

text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

# Inference: Generation of the output
generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Citation

@misc{chen2024huatuogptvisioninjectingmedicalvisual,
      title={HuatuoGPT-Vision, Towards Injecting Medical Visual Knowledge into Multimodal LLMs at Scale}, 
      author={Junying Chen and Ruyi Ouyang and Anningzhe Gao and Shunian Chen and Guiming Hardy Chen and Xidong Wang and Ruifei Zhang and Zhenyang Cai and Ke Ji and Guangjun Yu and Xiang Wan and Benyou Wang},
      year={2024},
      eprint={2406.19280},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2406.19280}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
451ac32

0 моделей