/ Модель

Характеристики

Контекст
1 536 токенов
Лицензия
Apache 2.0
Архитектура
compodistill · dense
Опубликована
4 июл 2026

CompoDistill-2B

Генерация текстаТекст → текст3 профессии

Мультимодальная модель на базе Qwen1.5-1.8B и SigLIP-so400m для диалогов и композиционного рассуждения по изображениям и тексту.

20скачиваний за 30 дней0лайковвеса обновлены4 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

CompoDistill-2B — мультимодальная модель для диалогов и композиционного рассуждения по изображениям и тексту. Она описана как финальная студенческая модель семейства CompoDistill, разработанная в рамках работы CompoDistill: Attention Distillation for Compositional Reasoning in Multimodal LLMs.

Модель сочетает языковую основу Qwen1.5-1.8B и визуальный энкодер SigLIP-so400m. Её обучали в три этапа: DPT, DFT и SFT, включая дистилляцию визуального внимания от мультимодального учителя на базе Qwen1.5-4B. Подходит для ответов на вопросы об изображениях и задач, требующих связывать несколько визуальных деталей с текстовым запросом.

Репозиторий содержит веса в формате safetensors, а лицензия — Apache-2.0. Карточка не сообщает длину контекста и список поддерживаемых языков; заявленное назначение сосредоточено на визуальном композиционном рассуждении.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • поиск взаимосвязей между несколькими объектами на изображении
  • анализ визуальных сцен по текстовому запросу

Ограничения

Модель ориентирована на визуальное композиционное рассуждение; карточка не приводит результатов оценки качества или сведений о длине контекста.

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

CompoDistill-2B

The final CompoDistill student (Qwen1.5-1.8B + SigLIP-so400m), trained with the three-stage DPT -> DFT -> SFT pipeline including visual attention distillation from the LLaVA-style Qwen1.5-4B teacher.

Released with the paper CompoDistill: Attention Distillation for Compositional Reasoning in Multimodal LLMs (arXiv:2510.12184). Training and evaluation code: https://github.com/ptkjw1997/CompoDistill

Usage

import torch
from PIL import Image
from transformers import AutoModelForCausalLM, AutoTokenizer, AutoImageProcessor

repo = "JiwanKim/CompoDistill-2B"
model = AutoModelForCausalLM.from_pretrained(repo, trust_remote_code=True,
                                             torch_dtype=torch.float16).to("cuda")
tokenizer = AutoTokenizer.from_pretrained(repo, use_fast=False)
image_processor = AutoImageProcessor.from_pretrained(repo)

image = Image.open("example.jpg")
print(model.chat("What is happening in this image?", tokenizer,
                 image=image, image_processor=image_processor))

Citation

@article{kim2025compodistill,
  title={CompoDistill: Attention Distillation for Compositional Reasoning in Multimodal LLMs},
  author={Kim, Jiwan and Kim, Kibum and Seo, Sangwoo and Park, Chanyoung},
  journal={arXiv preprint arXiv:2510.12184},
  year={2025}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
CompoDistillForConditionalGeneration
Ревизия весов
0151c66

0 моделей