/ Модель

Характеристики

Контекст
2 048 токенов
Лицензия
Apache 2.0
Архитектура
compodistill · dense
Опубликована
4 июл 2026

CompoDistill-SFT-2B

Генерация текстаТекст → текст3 профессии

Мультимодальная модель на базе Qwen1.5-1.8B и SigLIP-so400m отвечает на текстовые инструкции и вопросы об изображениях.

17скачиваний 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-SFT-2B — мультимодальная модель для диалога по изображениям, опубликованная как базовый SFT-чекпойнт для статьи CompoDistill. Она построена на Qwen1.5-1.8B и визуальном энкодере SigLIP-so400m и обучена стандартным способом visual instruction tuning в стиле LLaVA, без дистилляции. Модель предназначена для ответов на текстовые инструкции и вопросы об изображениях, в том числе для задач композиционного рассуждения, оцениваемых в работе.

Репозиторий содержит веса в формате safetensors; размер параметров и длина контекста в предоставленных данных не указаны. Лицензия — Apache-2.0. Это исследовательский базовый чекпойнт для сравнения с вариантами CompoDistill; практическое качество зависит от задачи и может быть ограничено по сравнению с более крупными мультимодальными моделями.

Сценарии применения

  • ответы на вопросы по содержимому изображений
  • описание объектов и сцен на изображении
  • диалог с пользователем об изображении
  • оценка композиционного рассуждения мультимодальной модели

Ограничения

Это SFT-базовая модель без дистилляции, представленная как базовый чекпойнт для исследовательского сравнения. Языки, длина контекста и подтверждённые показатели качества в доступных данных не приведены.

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-SFT-2B

The student baseline (Qwen1.5-1.8B + SigLIP-so400m) trained with standard LLaVA-style visual instruction tuning, without any distillation. Used as the SFT baseline in the CompoDistill paper.

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-SFT-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
a15e7d0

0 моделей