/ Модель

Характеристики

Лицензия
Apache 2.0
Библиотека
transformers
Опубликована
4 окт 2026

pe-graft-lfm

Описание изображенийИзображение → текст

Экспериментальная модель MC7ever преобразует изображения в краткие описания на естественном языке с помощью проектора между энкодером изображений и LFM2.5-2.6B.

0скачиваний за 30 дней0лайковвеса обновлены4 окт 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

MC7ever разработал экспериментальную мультимодальную модель pe-graft-lfm для создания кратких текстовых описаний изображений. Она соединяет замороженный энкодер MC7ever/pe-single-L14 с замороженной языковой моделью LiquidAI/LFM2.5-2.6B через обученный двухслойный MLP-проектор: проектор преобразует эмбеддинги изображения в четыре префиксных токена для языковой модели. Обучение проводилось на 4000 парах COCO за две эпохи; параметры базовых моделей не изменялись.

Модель предназначена для генерации краткого описания сцены по изображению. Примеры показывают, что она может передать общий смысл и количество людей, но ошибаться в деталях сцены. Хотя скрипт запуска предусматривает подачу аудио, аудиопрефикс практически не обучен, поэтому аудиовход не следует считать рабочей возможностью. Для использования нужны обе базовые модели и скрипт из README. Репозиторий содержит веса PyTorch, распространяемые по лицензии Apache-2.0.

Сценарии применения

  • получение краткой подписи к фотографии
  • описание людей и объектов на изображении
  • черновая генерация текста о сцене на фото

Ограничения

Описания могут быть общими или ошибочными в деталях сцены. Аудиопрефикс практически не обучен, поэтому заявленный в скрипте аудиовход не является надёжно проверенной возможностью.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

pe-graft-lfm — PE encoder grafted onto LFM2.5-2.6B (projector-only)

graft.pt (72MB) holds a trained 2-layer MLP projector (1024 -> 2048 x 4 prefix tokens) mapping frozen MC7ever/pe-single-L14 embeddings into frozen LiquidAI/LFM2.5-2.6B input space. Both giants stay frozen; only the projector trained (COCO-train 4000 pairs x 2 epochs, local Apple-Silicon MPS).

Run

git clone https://github.com/shadyuwugurl/pe-single-L14
python3 graft_generate.py --graft ./pe-graft-lfm --image photo.jpg
python3 graft_generate.py --graft ./pe-graft-lfm --audio clip.wav --sr 44100

The script downloads both base models automatically on first run.

Samples (honest)

  1. moped guy -> "A man riding a bike on the road." CORRECT
  2. Wii game ("two smiling young people playing Wii") -> "Two girls are in a park and one is taking pictures of the other." WRONG scene, right headcount
  3. restaurant meal -> "A coffee cup sits on a table with other items." gist-level

Limits

Projector-only with 4 prefix tokens: fluent, gist-level, not sharp. Path to sharp: more prefix tokens (4->16), LLM LoRA, audio prefix training, more data. Audio prefix path is wired but essentially untrained (v1 trained image->text only).

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
d00e1fc

0 моделей