/ Модель

Характеристики

Контекст
2 048 токенов
Лицензия
Apache 2.0
Архитектура
moondream1 · dense
Опубликована
17 апр 2025

moondream2

Генерация текстаТекст → текст7 профессий

Небольшая vision-language модель Moondream для ответов на вопросы об изображениях и визуального анализа с эффективным запуском на устройствах с ограниченными ресурсами.

241скачиваний за 30 дней0лайковвеса обновлены13 мая 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

Jooju2872/moondream2 — размещённая пользователем версия небольшой модели Moondream, разработанной для эффективной работы на устройствах с ограниченными ресурсами. Это плотная vision-language модель архитектуры HfMoondream, принимающая изображения и текстовые запросы и формирующая текстовые ответы. Метаданные указывают задачу image-text-to-text; модель подходит для визуальных вопросов и ответов, описания изображений и чтения текста на изображениях и документах. В README приведены результаты на наборах VQAv2, GQA, TextVQA, DocVQA, TallyQA и POPE.

Репозиторий содержит веса Safetensors и GGUF в формате F16. README отмечает совместимость с Torch 2.1.1 и поддержку параметров temperature и top_p; также рекомендуется фиксировать версию модели, поскольку она регулярно обновляется. Лицензия — Apache-2.0. В карточке не указаны точный размер модели и длина контекста.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • описание изображений по текстовому запросу
  • извлечение текста из изображений и документов
  • подсчёт объектов на изображении
  • проверка наличия объектов или признаков на изображении

Ограничения

Качество ответов может различаться в зависимости от изображения и задачи; README приводит результаты бенчмарков, но не описывает конкретные ограничения модели. Для воспроизводимой работы следует закреплять версию репозитория, поскольку модель регулярно обновляется.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

moondream is a small vision language model designed to run efficiently on edge devices. Check out the GitHub repository for details, or try it out on the Hugging Face Space!

[!NOTE] This model works on lower Torch version(2.1.1) and adds temperature and top_p parameters.

Benchmarks

ReleaseVQAv2GQATextVQADocVQATallyQA(simple/full)POPE(rand/pop/adv)
2024-08-26 (latest)80.364.365.270.582.6 / 77.689.6 / 88.8 / 87.2
2024-07-2379.464.960.261.982.0 / 76.891.3 / 89.7 / 86.9
2024-05-2079.463.157.230.582.1 / 76.691.5 / 89.6 / 86.2
2024-05-0879.062.753.130.581.6 / 76.190.6 / 88.3 / 85.0
2024-04-0277.761.749.724.380.1 / 74.2-
2024-03-1376.860.646.422.279.6 / 73.3-
2024-03-0675.459.843.120.979.5 / 73.2-
2024-03-0474.258.536.4---

Usage

pip install transformers einops
from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image

model_id = "vikhyatk/moondream2"
revision = "2024-08-26"
model = AutoModelForCausalLM.from_pretrained(
    model_id, trust_remote_code=True, revision=revision
)
tokenizer = AutoTokenizer.from_pretrained(model_id, revision=revision)

image = Image.open('<IMAGE_PATH>')
enc_image = model.encode_image(image)
print(model.answer_question(enc_image, "Describe this image.", tokenizer))

The model is updated regularly, so we recommend pinning the model version to a specific release as shown above.

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
HfMoondream
Ревизия весов
bf3f47b

0 моделей