GAR-1B анализирует выделенные области изображений и видео, описывает их и рассуждает о связях между несколькими областями.
43скачиваний за 30 дней5лайковвеса обновлены22 окт 2025
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
GAR-1B — мультимодальная модель на архитектуре GAR, разработанная авторами работы «Grasp Any Region: Towards Precise, Contextual Pixel Understanding for Multimodal LLMs». Она дообучена на базе facebook/Perception-LM-1B и предназначена для детального понимания выделенных областей изображения и видео.
Модель описывает заданную область, обозначенную точками, рамками, штрихами или масками, а также анализирует несколько областей одновременно, моделирует взаимодействия между ними и выполняет сложные рассуждения. Это подходит для вопросов о частях сцены и связях между объектами. Карточка указывает английский язык; модель принимает изображения или видео с текстовыми инструкциями и выдаёт текстовые описания и ответы. Модель распространяется по лицензии fair-noncommercial-research-license, ограничивающей коммерческое использование.
Сценарии применения
подробное описание объекта или участка изображения по рамке
описание области видео, заданной маской или точками
ответы на вопросы о содержимом выделенной части сцены
анализ взаимодействий между несколькими областями изображения
рассуждение о взаимосвязях объектов в изображении или видео
Ограничения
Коммерческое использование ограничено лицензией fair-noncommercial-research-license. В карточке заявлено понимание областей и рассуждение по изображениям и видео, но подробные оценки качества и ограничения не приведены.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
TL; DR: Our Grasp Any Region (GAR) supports both (1) describing a single region of an image or a video in the form of points/boxes/scribbles/masks in detail and (2) understanding multiple regions such as modeling interactions and performing complex reasoning. We also release a new benchmark, GARBench, to evaluate models on advanced region-level understanding tasks.
Usage
For detailed usage of this model, please refer to our GitHub repo.
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
СпособСтатусЦена
GPU в ailist
Универсальный рантайм · transformers
Нельзя запустить
Модели нужен код из репозитория; автор пока не в списке доверенных организаций.