/ Модель

Характеристики

Контекст
512 токенов
Параметры
655 360
Лицензия
CC BY 4.0
Архитектура
transformer · dense
Опубликована
27 сен 2026

assignment-visual-question-answering93

Вопросы по изображениюИзображение, текст → текст

Исследовательский репозиторий о сравнении подходов к визуальным вопросам и ответам, без заявленного готового обученного чекпойнта.

17скачиваний за 30 дней0лайковвеса обновлены27 сен 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

Репозиторий MMALHOTRAMANOJ/assignment-visual-question-answering93 содержит исследовательскую заметку о сравнении подходов к визуальным вопросам и ответам. В метаданных модель обозначена как плотная архитектура transformer с поддержкой vision, 655,4 тыс. параметров и контекстом 512 токенов; файлы представлены в формате safetensors.

Заметка задаёт область исследования и предлагает сравнение с сопоставимыми базовыми системами на VQAv2, GQA и OK-VQA. Репозиторий предназначен для планирования и воспроизводимой оценки ответов на вопросы по изображениям, а не для практического запуска готовой модели. В README прямо указано, что обученный чекпойнт и результаты бенчмарков не заявлены; планируемые наборы данных и ссылки не подтверждают проведение экспериментов. Лицензия — CC BY 4.0.

Сценарии применения

  • планирование сравнения систем визуальных вопросов и ответов
  • подготовка оценки на VQAv2
  • подготовка оценки на GQA
  • подготовка оценки на OK-VQA
  • проверка воспроизводимости эксперимента по ответам на вопросы об изображениях

Ограничения

README описывает исследовательский план и не заявляет завершённых экспериментов, улучшений на бенчмарках, выпущенного кода или обученного чекпойнта. Указанные наборы данных служат контекстом для будущей проверки, а не свидетельством уже полученных результатов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Notes on Visual Question Answering

Repository summary

This is an exploratory note for Visual Question Answering. It records the intended comparison, likely confounders, and reproducibility requirements before any benchmark result is reported.

What is covered

  • the scope of the research question and likely confounders
  • a proposed comparison with matched baselines
  • concrete evaluation context such as VQAv2, GQA, and OK-VQA
  • reproducibility checks, failure modes, and open questions
  • topic-relevant references

How to read this repository

Start with notes.md for the full note. Sections labeled as plans or hypotheses should not be interpreted as experimental results. If results are added later, they should include dataset versions, commands, seeds, hardware, and raw logs.

Scope and limitations

The note is intentionally exploratory. It does not claim benchmark improvements, completed ablations, released code, or a trained checkpoint. References and proposed datasets provide a starting point for verification rather than evidence that the study has already been run.

Files

  • notes.md — primary artifact
  • README.md — this documentation

License

Released under cc-by-4.0. Review the source-data terms separately when this repository is used with external datasets.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура transformer неизвестна transformers в образе рантайма.

Класс архитектуры
CustomResearchModel
Ревизия весов
b3e71d2

0 моделей