/ Модель

Характеристики

Размер весов
18,4 ГБ
Лицензия
Apache 2.0
Архитектура
pdmllm · dense
Базовая модель
PerceptionDLM-Base
Библиотека
transformers
Опубликована
19 июн 2026

PerceptionDLM

Генерация текстаТекст → текст3 профессии

PerceptionDLM параллельно описывает несколько выделенных масками областей изображения за один процесс генерации.

109скачиваний за 30 дней13лайковвеса обновлены19 июн 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

PerceptionDLM — мультимодальная диффузионная языковая модель, разработанная MSALab на основе MSALab/PerceptionDLM-Base. Она предназначена для параллельного описания областей изображения: модель принимает изображение и несколько масок областей и генерирует описание каждой области за один процесс денойзинга. Поддерживается до шести областей на изображение; региональные подсказки и структурированная маска внимания помогают обрабатывать их одновременно.

Модель ориентирована на плотное описание сцен и восприятие отдельных регионов, где последовательная генерация может быть медленной. В тестах ParaDLC-Bench авторы сообщают о качестве 62,4% и ускорении до 3,44 раза в сценариях с множеством регионов по сравнению с авторегрессионными подходами. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0.

Сценарии применения

  • создание подписей для нескольких областей изображения
  • плотное описание объектов и частей сцены
  • генерация описаний по маскам сегментации
  • анализ нескольких регионов изображения за один запрос

Ограничения

Модель рассчитана на обработку до шести регионов на изображение. Приведённые показатели качества и скорости относятся к тесту ParaDLC-Bench и могут отличаться на других данных и оборудовании.

Для каких профессий подходит3

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

PerceptionDLM

PerceptionDLM is a multimodal diffusion language model optimized for efficient parallel region perception. Built upon PerceptionDLM-Base, it fully leverages the parallel decoding nature of diffusion language models (DLMs): given an image and multiple region masks, it generates descriptions for all regions simultaneously within a single denoising process — avoiding the linear latency growth of autoregressive (AR) region captioners.

To the best of our knowledge, this is the first model to achieve parallel region captioning and perception by leveraging the advantages of diffusion language models.

Highlights

  • 🧩 Parallel region captioning. Region prompting + structured attention masking describe many masked regions in a single denoising pass.
  • ⚡ Up to 3.44× throughput speedup in dense multi-region scenarios, with stable per-image latency (~2.9s).
  • 🎯 Competitive quality with strong AR region captioners while being substantially faster.

Model Details

Base modelMSALab/PerceptionDLM-Base
Key modulesRegion prompting, RoI-aligned feature replay, structured attention masking
Region promptsup to 6 per image
Default inference32 diffusion steps, generation length 32 per mask
Trainingfull ParaCaption corpus, ~2 days on 32× H100
Precisionbfloat16

Results (ParaDLC-Bench)

MethodTypeAvg (%)TPF ↑Time (s) ↓
GAR-8BAR (sequential)69.51.0479
LLaDA-V-8BDiffusion35.21.03241
PerceptionDLMDiffusion (parallel)62.42.9276

TPF = Tokens Per Forward (higher = more parallel). PerceptionDLM nearly doubles the accuracy of prior diffusion VLMs while drastically reducing inference time.

Usage

Full inference scripts are provided in the GitHub repository.

python demo/infer_pdmllm.py \
  --model-path MSALab/PerceptionDLM \
  --image assets/demo.jpg \
  --masks assets/demo_mask_0.jpg \
          assets/demo_mask_1.jpg \
          assets/demo_mask_2.jpg \
  --gen-length 32 --steps 32 --temperature 0.0 --top-p 1.0

The model takes an RGB image plus one or more binary masks, and returns one caption per region — all generated in parallel.

Citation

@article{sun2026perceptiondlm,
  title   = {PerceptionDLM: Parallel Region Perception with Multimodal Diffusion Language Models},
  author  = {Sun, Yueyi and Wang, Yuhao and Li, Jason and Tian, Ye and Zhang, Tao and Mai, Jacky and Wang, Yihan and Wang, Haochen and Bai, Jinbin and Yang, Ling and Tong, Yunhai},
  journal = {arXiv preprint arXiv:2606.19534},
  year    = {2026}
}

License

Released under the Apache License 2.0.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
PDMLLM
Ревизия весов
cadf670

0 моделей