/ Модель

Характеристики

Размер весов
18,4 ГБ
Лицензия
Apache 2.0
Архитектура
dmllm · dense
Базовая модель
LLaDA-8B-Instruct-HF
Библиотека
transformers
Опубликована
19 июн 2026

PerceptionDLM-Base

Генерация текстаТекст → текст10 профессий

PerceptionDLM-Base — диффузионная мультимодальная модель MSALab для ответов на вопросы и выполнения инструкций по изображениям.

34скачиваний за 30 дней6лайковвеса 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-Base — мультимодальная диффузионная языковая модель для понимания изображений и ответов на визуальные инструкции, разработанная MSALab. Она дообучена на базе MSALab/LLaDA-8B-Instruct-HF и предназначена для сценариев, где нужно задавать вопросы об изображении или извлекать из него сведения.

Архитектура сочетает визуальный энкодер SigLIP-2, двухслойный MLP-коннектор и диффузионный декодер LLaDA-8B. Модель использует параллельную генерацию с маскированным денойзингом и динамическое разбиение изображений высокого разрешения на тайлы. Карточка сообщает о результатах на мультимодальных бенчмарках, включая сильные показатели в задачах детального восприятия и ChartQA.

Модель принимает изображения и текстовые инструкции и генерирует текстовые ответы. В метаданных указан английский язык. Весы опубликованы в формате Safetensors, библиотека — Transformers, лицензия — Apache-2.0. Модель описана как базовая для PerceptionDLM; для развёртывания предоставлены скрипты инференса.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание объектов, атрибутов и деталей на изображении
  • извлечение сведений из диаграмм и графиков
  • анализ изображений высокого разрешения
  • проверка визуальных утверждений с учётом контекста изображения

Ограничения

Заявленные результаты основаны на бенчмарках; качество на конкретных изображениях и сценариях может отличаться. В README приведены ссылки на скрипты инференса, но подробные ограничения и требования к ресурсам не описаны.

Для каких профессий подходит10

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

PerceptionDLM-Base

PerceptionDLM-Base is a strong open multimodal diffusion language model (DLM) that extends a large language diffusion backbone (LLaDA-8B) to visual instruction tuning. It establishes a new state-of-the-art baseline among open discrete-diffusion VLMs, outperforming LLaDA-V on 15 / 16 standard multimodal benchmarks while remaining competitive with same-scale autoregressive (AR) VLMs.

It serves as the foundation model for PerceptionDLM, our parallel region-perception model.

Highlights

  • 🧠 Diffusion-based VLM. Non-autoregressive masked-denoising generation with intrinsic token-level parallelism.
  • 🏗️ LLaVA-style architecture. SigLIP-2 vision encoder + 2-layer MLP connector + LLaDA-8B diffusion decoder, with dynamic-resolution tiling for high-resolution inputs.
  • 🏆 Strong baseline. Outperforms LLaDA-V on 15/16 benchmarks; especially strong on fine-grained perception and hallucination robustness.

Model Details

Vision encodergoogle/siglip2-so400m-patch16-512 (frozen)
Connector2-layer MLP with GELU
Language backboneLLaDA-Instruct-8B (diffusion)
Parameters~8B
Training4-stage visual instruction tuning, 32× H100 (~3 weeks)
Precisionbfloat16

Results

PerceptionDLM-Base vs. open diffusion / AR VLMs (selected benchmarks):

BenchmarkPerceptionDLM-BaseLLaDA-VQwen2.5-VL-7BInternVL3-8B
MMBench85.082.983.583.4
SeedBench78.974.877.077.1
ChartQA91.678.386.286.6
MMVP82.076.773.380.0
BLINK60.350.955.355.5
RealWorldQA73.763.268.470.8
HallusionBench58.450.951.949.9

See the paper for the full 16-benchmark comparison.

Usage

Full inference scripts are provided in the GitHub repository.

python demo/infer_dmllm.py \
  --model-path MSALab/PerceptionDLM-Base \
  --image assets/demo.jpg \
  --prompt "What color shirt is the man in the picture wearing?" \
  --gen-length 64 --block-length 64 --steps 64
import torch
from transformers import AutoModel, AutoProcessor

model_path = "MSALab/PerceptionDLM-Base"
processor = AutoProcessor.from_pretrained(model_path, trust_remote_code=True)
model = AutoModel.from_pretrained(
    model_path, torch_dtype=torch.bfloat16, trust_remote_code=True
).cuda().eval()
# See demo/infer_dmllm.py for the full preprocessing + generation pipeline.

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
DMLLM
Ревизия весов
db8eff4

0 моделей