/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-4B
Библиотека
transformers
Опубликована
29 авг 2026

Karti-Small-VL-4B

Изображение и текст → текст4 профессии

Мультимодальная модель Lumbridge на базе Qwen3.5-4B для чтения экранов и панелей, привязки к элементам интерфейса и надёжного отказа при нечитаемом тексте.

262скачиваний за 30 дней4лайкавеса обновлены31 авг 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 «Изображение → текст» — 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

Karti-Small-VL-4B — мультимодальная модель на 4,66 млрд параметров от Lumbridge, дообученная на базе Qwen/Qwen3.5-4B. Она принимает изображения и текст и предназначена для локальных агентов, которым нужно читать панели и экраны, определять элементы интерфейса и передавать результаты инструментам. Модель особенно ориентирована на точное распознавание текста на отрисованных панелях и экранах, а также на отказ от ответа, когда идентификатор невозможно надёжно прочитать.

В README сообщается о снижении частоты выдуманных идентификаторов с 0,378 до 0,023, улучшении чтения панелей и привязки к элементам GUI. Прирост привязки частично связан с освоением нормализованных координат; качество чтения фотографий существенно не изменилось относительно базовой модели. Модель обучена методом LoRA с последующим слиянием весов; опубликована в BF16 в формате safetensors. Базовая модель описана как поддерживающая диалог, понимание изображений, рассуждения и вызов инструментов, но в метаданных этой модели явно отмечены только чат и зрение.

Для использования нужны Transformers и совместимый мультимодальный обработчик; в README также приведены результаты инференса через vLLM на NVIDIA DGX Spark. Лицензия — Apache-2.0. Контекст 32k указан как параметр теста скорости, поэтому его нельзя считать подтверждённой нативной длиной контекста модели.

Сценарии применения

  • чтение текста на отрисованных панелях и экранах
  • распознавание идентификаторов устройств по изображению
  • поиск и привязка элементов на скриншоте интерфейса
  • передача локальному агенту сведений с экрана для вызова инструмента
  • отказ от угадывания текста, который нельзя надёжно прочитать

Ограничения

На фотографиях качество чтения не лучше базовой модели; улучшение разборчивости относится прежде всего к отрисованным панелям и экранам. Часть улучшения GUI-привязки связана с обучением нормализованным координатам; для инференса через vLLM следует использовать слитые веса, поскольку адаптер применяется неполно.

Для каких профессий подходит4

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

Karti-Small-VL-4B — it knows when it can't read something

Karti-Small-VL-4B · v1

A 4B vision model that knows when it can't read something.

Built for local agents that look at a thing and then call a tool about it — read a panel, check a camera frame, act on a screen. The failure that matters there isn't a wrong caption; it's a confidently invented identifier. v1 is trained to hit that boundary and decline instead.

Parameters4.66 B (4,659,865,088)
BaseQwen/Qwen3.5-4B @ 851bf6e8
PrecisionBF16 · 9.3 GB · merged weights, no adapter
Context32,768
Toolsnative, qwen3_xml parser
Faster buildNVFP4 — 2.5×, Blackwell only

Results

v1 against the untrained base

Same endpoint, same rows, same decode path.

basev1
Invented-identifier rate0.3780.023 — 16× fewer
Panel reading0.5950.967
GUI grounding, ScreenSpot-v2 · n=12710.7180.907
⤷ small targets · n=4260.5800.883
Unparseable click points48/12729/1272
General vision, curated · n=2200.7270.732
False-refusal, real photos · n=6000.2200.227

ScreenSpot-v2 and the general-vision slice were held out. On the two hardest abstention families the base scored zero; v1 scores 101/112 and 117/119.

Scope, honestly: part of the grounding gain is learning the normalised 0–1000 coordinate convention shared with the training set — real, but not "38% better at seeing UI". And v1 reads photographs no better than the base; what changed is that it stops over-refusing them. The legibility gain is on rendered panels and screens.

Speed — NVIDIA DGX Spark (GB10)

vLLM 0.27.1, BF16, 32k context, FP8 KV cache, temperature 0, single stream.

tokenstok/s
12821.0
51221.1

Fits in ~20 GB. For 2.5× throughput at 3.7 GB, use the NVFP4 build (needs Blackwell, sm_120+).

Use

from transformers import AutoProcessor, AutoModelForImageTextToText

m = AutoModelForImageTextToText.from_pretrained(
    "KartiOS/Karti-Small-VL-4B", dtype="auto", device_map="auto")
p = AutoProcessor.from_pretrained("KartiOS/Karti-Small-VL-4B")
vllm serve KartiOS/Karti-Small-VL-4B \
  --max-model-len 32768 --kv-cache-dtype fp8 \
  --enable-auto-tool-choice --tool-call-parser qwen3_xml \
  --default-chat-template-kwargs '{"enable_thinking": false}'

Pin a revision — main moves. revision="pre-v1" is the untrained baseline.

How it was trained

BF16 LoRA (r16, α32, lr 5e-5, 75 steps) merged into these weights. 32.5 M trainable parameters across 248 language modules; the vision tower is frozen and proven frozen — all 297 vision tensors are byte-identical to the base.

Corpus: 3,569 rows — an authored legibility ladder that places text exactly at the readable/unreadable boundary, plus VizWiz and GUI-Odyssey.

The decisive parameter was the share of the corpus whose answer is "I can't read this." At 29.1% the model learns the word, not the judgement: 0.955 on the lane, then refusing 14 of 22 answerable photographs. At 14.4% it learns the judgement. That threshold — not the learning rate, not the step count — is what made v1 work.

Serve the merged weights, not a LoRA adapter. vLLM 0.27.1 applies this adapter incompletely — about 0.19 absolute ScreenSpot accuracy, silently. Qwen3.5 packs its linear-attention projections and this adapter targets those sub-modules. The adapter is not published for that reason.


From Lumbridge. Sibling text model: Karti-Small-RSI-3B.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
31a361c

0 моделей