/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
gestalt · dense
Библиотека
transformers
Опубликована
28 сен 2026

Gestalt

Генерация текстаТекст → текст3 профессии

Gestalt — мультимодальная модель на дискретной диффузии для совместного понимания и генерации текста и изображений.

74скачиваний за 30 дней1лайквеса обновлены10 окт 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

Gestalt — мультимодальная модель, разработанная командой авторов, указанных в карточке проекта. Она построена на архитектуре GestaltModelLM и использует единую дискретную диффузионную схему с обучаемыми interplay-токенами для обмена информацией между модальностями. В карточке заявлено 8 млрд + 0,6 млрд параметров.

Модель предназначена для мультимодального понимания и генерации, включая совместную работу с текстом и изображениями. Обучение включало мультимодальную предтренировку, продолжение предтренировки этого чекпойнта и последующую настройку по инструкциям; для кодирования и декодирования изображений требуется отдельный IBQ-токенизатор TencentARC/IBQ-Tokenizer-16384. Репозиторий содержит веса Safetensors и предназначен для использования с Transformers.

Модель новая, опубликована в сентябре 2026 года, поэтому её зрелость и практическое качество пока трудно оценить по карточке. Метаданные указывают английский язык карточки, но не устанавливают полный перечень поддерживаемых языков. Лицензия — Apache-2.0.

Сценарии применения

  • понимание изображений с учётом текстового запроса
  • ответы на вопросы по изображениям
  • генерация изображений по текстовому описанию
  • мультимодальное взаимодействие текста и изображений

Ограничения

Для обработки изображений требуется отдельный IBQ-токенизатор. Карточка не приводит подробных оценок качества и полного списка поддерживаемых языков.

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

Gestalt is a new paradigm of large multimodal model built around multimodal interplay. Guided by a multimodal interplay pyramid — from modality-specific modeling, through cross-modal alignment, to multimodal synergy — Gestalt adopts a unified discrete diffusion framework with an interplay-partitioned architecture, where learnable interplay tokens mediate cross-modal exchange and integration. The name is inspired by Gestalt psychology: the whole is greater than the sum of its parts.

Model Description

Gestalt is an interplay-centric large multimodal model built on a unified discrete diffusion framework. Through multimodal pretraining, continual pretraining, and interplay-oriented supervised fine-tuning,Gestalt supports both understanding and generation.

PropertyValue
ArchitectureGestaltModelLM (discrete diffusion with interplay tokens)
Parameters8B + 0.6B
Hidden size4096
Layers32
Attention heads32
Vocab size142,848
Max sequence length4,096
Precisionbfloat16

Download

# Gestalt model
huggingface-cli download GeWuLab/Gestalt --local-dir /path/to/gestalt

# IBQ vision tokenizer (required for encoding/decoding images)
huggingface-cli download TencentARC/IBQ-Tokenizer-16384 --local-dir /path/to/ibq

The IBQ tokenizer is from TencentARC/IBQ-Tokenizer-16384, used to convert between images and discrete visual tokens.

Training Pipeline

StageDataObjective
Multimodal Pretraining70MJoint masked prediction
Continual Pretraining ← this checkpoint8MConditional masked prediction
Supervised Fine-Tuning13.7M (+≈2.5M T2I)Four interplay categories, three-phase curriculum

Citation

If you find Gestalt useful for your research, please cite:

@article{gestalt2026,
  title   = {Gestalt: Large Multimodal Interplay Model},
  author  = {Yang, Zequn and Miao, Yu and Ni, Haotian and Chen, Ziheng and
             Huang, Chengxiang and Zhou, Dongzhan and Chen, Kai and Zhang, Qi and
             Wen, Ji-Rong and Wei, Yake and Hu, Di},
  year    = {2026},
  url     = {https://github.com/GeWu-Lab/Gestalt}
}

License

This project is released under the Apache 2.0 license.

Author Contributions

Zequn Yang, Yake Wei, and Di Hu drove the overall advancement of the project. Zequn Yang, Yu Miao, Haotian Ni, Ziheng Chen, and Chengxiang Huang contributed equally to this work. Zequn Yang conducted model pretraining and supervised fine-tuning. Zequn Yang, Yu Miao, and Haotian Ni developed the model architecture and conducted the core experiments. Yu Miao, Ziheng Chen, and Chengxiang Huang contributed to data processing and organization. Yu Miao conducted the evaluation of image generation capabilities, Haotian Ni conducted the multimodal understanding evaluation, and Ziheng Chen conducted the text-only evaluation. Dongzhan Zhou, Kai Chen, Qi Zhang, and Ji-Rong Wen contributed to discussions on the technical design and methodology. Yake Wei, Zequn Yang, Yu Miao, Haotian Ni, Ziheng Chen, and Di Hu contributed to writing and revising the manuscript. Di Hu initiated the project. Yake Wei and Di Hu supervised and advised the project.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
GestaltModelLM
Ревизия весов
42a8b5d

0 моделей