/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
CC BY-NC 4.0
Базовая модель
SenseNova-Vision-7B-MoT
Библиотека
libreyolo
Опубликована
18 июл 2026

SenseNovaVision7b

Мультимодальная модель7 профессий

Мультимодальная модель SenseTime на базе Qwen2.5-7B MoT для анализа изображений, включая обнаружение объектов, OCR, оценку глубины и сегментацию.

27скачиваний за 30 дней0лайковвеса обновлены18 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

LibreYOLO/SenseNovaVision7b — зеркало весов SenseNova-Vision-7B-MoT от SenseTime для интеграции в уровень LibreVLM библиотеки LibreYOLO. Это единая мультимодальная модель компьютерного зрения на архитектуре Bagel-MoT: декодер Qwen2.5-7B MoT, визуальный модуль SigLIP и автоэнкодер FLUX. Один чекпойнт поддерживает обнаружение объектов, поиск точек и ключевых точек, OCR, оценку глубины, сегментацию и паноптическую сегментацию. Символьные результаты, например рамки, точки и распознанные слова, выдаются как структурированный текст; карты глубины и маски — как изображения, декодированные VAE. Модель можно использовать для анализа изображений через чат-интерфейс и генерацию.

Веса и конфигурации в репозитории не изменены относительно исходной модели SenseTime; добавлены только карточка и уведомление. Лицензия весов CC BY-NC 4.0 разрешает некоммерческое использование. Для загрузки в LibreYOLO предусмотрено восстановление раскладки специальных токенов; другим средствам запуска может потребоваться такая же настройка или медленный токенизатор на основе vocab.json и merges.txt.

Сценарии применения

  • поиск объектов и получение их рамок на изображении
  • обнаружение точек и ключевых точек на изображении
  • распознавание текста на изображениях
  • построение карты глубины по изображению
  • сегментация объектов и создание паноптических карт

Ограничения

Веса доступны только для некоммерческого использования по лицензии CC BY-NC 4.0. Для корректной работы токенизатора вне LibreYOLO может понадобиться восстановить раскладку специальных токенов или использовать медленный токенизатор.

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

SenseNovaVision7b

Non-commercial weights. These model weights are released by SenseTime under CC BY-NC 4.0 and may be used for non-commercial purposes only. The LibreYOLO integration code is MIT; the vendored architecture code is Apache-2.0. The license of the weights does not change by being mirrored here.

SenseNova-Vision-7B-MoT, mirrored for LibreYOLO's LibreVLM tier. A unified multimodal model (Bagel-MoT architecture: Qwen2.5-7B MoT decoder, SigLIP vision tower, FLUX autoencoder) that serves many vision tasks from one checkpoint: symbolic outputs (boxes, points, keypoints, OCR words) are generated as tagged text, dense outputs (depth maps, segmentation masks, panoptic maps) are generated as images decoded by the VAE.

Source

Byte-identical mirror of sensenova/SenseNova-Vision-7B-MoT at revision 79548fcc5b954598799b9317f8d3ec5e347d5c0e. Copyright (c) 2026 SenseTime Group Inc. and/or its affiliates.

Reference implementation: OpenSenseNova/SenseNova-Vision (commit 12ccd96e32b32967a11cacb6c5bd5fe3a555fc0c, Apache-2.0). Paper: Vision as Unified Multimodal Generation.

Weight checksums (SHA-256):

ema.safetensors  96f29abd98791288c5a24087322e964bb9bcabfc2f185ece71543f827bc2b11e
ae.safetensors   afc8e28272cd15db3919bacdb6918ce9c1ed22e96cb12c4d5ed0fba823529e38

Modifications

None. The weights and configuration files are unmodified upstream bytes; only this card and the NOTICE file are added.

One upstream quirk to be aware of: tokenizer.json assigns the chat/vision special tokens ids beyond the checkpoint's embedding table, while tokenizer_config.json's added_tokens_decoder records the layout the model was trained with (structured tokens overriding ids 149632-151664). LibreYOLO reconstructs the trained layout at load time; other consumers should do the same or use a legacy slow tokenizer built from vocab.json/merges.txt.

Usage

from libreyolo import LibreVLM

model = LibreVLM("sensenova-vision", task="detect")
model.set_classes(["person", "bicycle"])
results = model.predict("image.jpg")          # Results.boxes

model.set_task("depth")
results = model.predict("image.jpg")          # Results.depth_map

model.set_task("segment").set_classes(["the person on the left"])
results = model.predict("image.jpg")          # Results.masks

Supported LibreYOLO tasks: detect, point, pose, ocr, depth, segment (referring), panoptic. Free-form access via model.chat(...) and model.generate(...).

License Composition

  • Model weights: CC BY-NC 4.0 (non-commercial), SenseTime
  • Reference implementation: Apache-2.0 (SenseTime, building on ByteDance's Bagel, Hugging Face transformers, and the Black Forest Labs FLUX autoencoder, all Apache-2.0)
  • LibreYOLO integration: MIT

See LICENSE (upstream license statement, verbatim) and NOTICE for attribution details.

Как запустить

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

GPU в ailist

Универсальный рантайм · libreyolo

Нельзя запустить

Any-to-any модели пока не поддерживаются.

Ревизия весов
bd67637

0 моделей