Характеристики

Контекст: 40 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: vilt · dense
Базовая модель: vilt-b32-finetuned-vqa
Библиотека: transformers
Опубликована: 29 июл 2026

Ссылки

Hugging Face

vqa-finetuned

Gabby233

Ответы на вопросыТекст → текст3 профессии

Дообученная ViLT-модель для ответов на короткие вопросы о содержимом изображений.

10скачиваний за 30 дней0лайковвеса обновлены29 июл 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

Gabby233/vqa-finetuned — дообученная модель ответов на вопросы о содержимом изображений, созданная на основе dandelin/vilt-b32-finetuned-vqa и набора данных VQA. Она использует архитектуру ViLT и предназначена для визуального вопросно-ответного поиска: модель принимает изображение и текстовый вопрос и выдаёт текстовый ответ. Модель содержит 136,7 млн параметров и рассчитана на короткий контекст до 40 токенов.

Модель распространяется в формате Safetensors по лицензии Apache-2.0. README не приводит результатов оценки и дополнительных сведений о качестве; точность ответов может зависеть от изображений и формулировок вопросов.

Сценарии применения

ответы на вопросы о предметах и сценах на изображении
извлечение простых визуальных фактов по текстовому запросу
создание прототипа системы визуального вопросно-ответного поиска

Ограничения

README не содержит результатов оценки или подробного описания ограничений. Контекст короткий — до 40 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели I.8Универсальные способностиИзображения и компьютерное зрениеAI помогает извлекать визуальные признаки, изменять изображения и создавать новые визуальные материалы.17 задач6 331модель I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

vqa-finetuned

This model is a fine-tuned version of dandelin/vilt-b32-finetuned-vqa on the vqa dataset.

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 3

Training results

Framework versions

Transformers 5.13.1
Pytorch 2.11.0+cpu
Datasets 2.16.0
Tokenizers 0.22.2

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · question-answering

Нельзя запустить

Для архитектуры vilt нет загрузчика под задачу question-answering.

Класс архитектуры: ViltForQuestionAnswering
Ревизия весов: 8d2293d