/ Модель

Характеристики

Контекст
262 144 токена
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-4B-Instruct
Библиотека
transformers
Опубликована
29 июн 2026

qwen3vl-caption-imregis

Описание изображенийИзображение → текст3 профессии

Модель на базе Qwen3-VL-4B создаёт португальские подписи к картам, разрезам и другим иллюстрациям из геологических документов.

10скачиваний за 30 дней0лайковвеса обновлены29 июн 2026

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 «Распознавание текста» — 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

Qwen3-VL-4B-ImRegis — мультимодальная модель на базе Qwen/Qwen3-VL-4B-Instruct, дообученная разработчиком Geologi для создания подписей к изображениям на португальском языке. Модель принимает отдельное изображение и выдаёт текстовое описание; адаптер LoRA объединён с базовыми весами, поэтому модель загружается самостоятельно без PEFT. Она предназначена для описания рисунков, карт, геологических разрезов и диаграмм, извлечённых из геонаучных документов. Обучение проводилось на парах фрагментов иллюстраций из геологических отчётов и португальских подписей набора ImRegis.

Модель использует архитектуру Qwen3-VL с 4 млрд параметров. Для изображений вне геонаучных документов её качество может быть ниже; подписи могут содержать фактические ошибки и галлюцинации, поэтому их следует проверять перед дальнейшим использованием. Обучающие изображения уменьшались так, чтобы длинная сторона не превышала 448 пикселей. Лицензия в предоставленных данных не указана.

Сценарии применения

  • создание португальских подписей к геологическим картам
  • описание геологических разрезов из отчётов
  • генерация подписей к диаграммам в геонаучных документах

Ограничения

Модель обучена на узком наборе изображений из геологических документов, поэтому на изображениях из других областей качество может быть ниже. Подписи могут содержать ошибки и галлюцинации, их следует проверять.

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

Qwen3-VL-4B — ImRegis Image Captioning

This is a Qwen3-VL-4B-Instruct model fine-tuned for Portuguese image captioning of figures extracted from geological documents. It was trained with LoRA on the ImRegis dataset, and the adapter has been merged into the base weights, so the model is standalone and can be loaded directly without PEFT.

Model description

  • Base model: Qwen/Qwen3-VL-4B-Instruct
  • Task: image-to-text (captioning) in Portuguese
  • Training data: ImRegis — figure/box crops from geological reports paired with Portuguese captions
  • Method: LoRA fine-tuning, then merged into the base model
  • Languages: Portuguese (pt)

The model takes a single image and produces a descriptive caption in Portuguese. It is intended for describing figures, maps, cross-sections, and diagrams found in geoscience documents.

Intended uses & limitations

Generating Portuguese captions for figures extracted from geological documents, in line with the kind of content present in ImRegis.

Limitations.

  • The model was trained on a domain-specific corpus (geological document figures); performance on out-of-domain images may be lower.
  • Captions may contain factual errors or hallucinations and should be reviewed before being used in any downstream product.
  • Training images were resized so the longest side is at most 448 px.

How to use

import torch
from PIL import Image
from transformers import Qwen3VLForConditionalGeneration, AutoProcessor
REPO_ID = "Geologi/qwen3vl-caption-imregis"
model = Qwen3VLForConditionalGeneration.from_pretrained(
    REPO_ID,
    torch_dtype=torch.bfloat16,
    device_map="auto",
)
processor = AutoProcessor.from_pretrained(REPO_ID)
image = Image.open("example.png").convert("RGB")
messages = [{
    "role": "user",
    "content": [
        {"type": "image", "image": image},
        {"type": "text", "text": "Descreva esta imagem em português"},
    ],
}]
text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)
inputs = processor(text=[text], images=[image], return_tensors="pt").to(model.device)
output = model.generate(**inputs, max_new_tokens=128)
print(processor.batch_decode(output, skip_special_tokens=True)[0])

Because the LoRA adapter is already merged, no peft import is required.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
4a3165a

0 моделей