/ Модель

Характеристики

Контекст
2 048 токенов
Лицензия
Apache 2.0
Архитектура
moondream1 · dense
Опубликована
26 дек 2025

moondream2-syncopaid

Генерация текстаТекст → текст9 профессий

Небольшая мультимодальная модель Moondream отвечает на вопросы об изображениях, распознаёт текст и обнаруживает объекты.

206скачиваний за 30 дней0лайковвеса обновлены26 дек 2025

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

Mharbulous/moondream2-syncopaid — это репозиторий модели Moondream, небольшой модели компьютерного зрения и языка, рассчитанной на эффективный запуск на разных устройствах. Карточка описывает выпуски Moondream и улучшения в понимании диаграмм, документов, таблиц, экранов и текста на изображениях. Модель принимает изображение и текстовый запрос, а отвечает текстом; поддерживает также распознавание текста, описание изображений, подсчёт объектов, поиск объектов и открытое тегирование изображений.

Репозиторий содержит файлы в форматах safetensors и GGUF F16. В качестве задач Hugging Face указаны image-text-to-text и text-generation; для работы с изображениями основная задача — image-text-to-text. Лицензия — Apache-2.0. В карточке указано имя семейства moondream1, при этом README называет модель Moondream.

Для репозитория не приведены сведения о конкретной базовой модели, числе параметров, контекстном окне и поддерживаемых языках. README рекомендует фиксировать revision в производственных приложениях, поскольку модель часто обновляется; в заметках также отмечены улучшения точности распознавания текста и обнаружения объектов.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • распознавание текста в документах, таблицах и на экранах
  • описание изображения и создание длинной подписи
  • обнаружение и подсчёт объектов на изображении
  • понимание диаграмм и графиков
  • тегирование изображений по открытому словарю

Ограничения

Модель часто обновляется, поэтому README рекомендует фиксировать revision при использовании в производственных приложениях. В карточке не указаны параметры модели и размер контекстного окна.

Для каких профессий подходит9

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

Moondream is a small vision language model designed to run efficiently everywhere.

Website / Demo / GitHub

This repository contains the latest (2025-06-21) release of Moondream, as well as historical releases. The model is updated frequently, so we recommend specifying a revision as shown below if you're using it in a production application.

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer
from PIL import Image

model = AutoModelForCausalLM.from_pretrained(
    "vikhyatk/moondream2",
    revision="2025-06-21",
    trust_remote_code=True,
    # Uncomment to run on GPU.
    # device_map={"": "cuda"}
)

# Captioning
print("Short caption:")
print(model.caption(image, length="short")["caption"])

print("\nNormal caption:")
for t in model.caption(image, length="normal", stream=True)["caption"]:
    # Streaming generation example, supported for caption() and detect()
    print(t, end="", flush=True)
print(model.caption(image, length="normal"))

# Visual Querying
print("\nVisual query: 'How many people are in the image?'")
print(model.query(image, "How many people are in the image?")["answer"])

# Object Detection
print("\nObject detection: 'face'")
objects = model.detect(image, "face")["objects"]
print(f"Found {len(objects)} face(s)")

# Pointing
print("\nPointing: 'person'")
points = model.point(image, "person")["points"]
print(f"Found {len(points)} person(s)")

Changelog

2025-06-21

(release notes coming soon)

2025-04-15 (full release notes)

  1. Improved chart understanding (ChartQA up from 74.8 to 77.5, 82.2 with PoT)
  2. Added temperature and nucleus sampling to reduce repetitive outputs
  3. Better OCR for documents and tables (prompt with “Transcribe the text” or “Transcribe the text in natural reading order”)
  4. Object detection supports document layout detection (figure, formula, text, etc)
  5. UI understanding (ScreenSpot F1@0.5 up from 53.3 to 60.3)
  6. Improved text understanding (DocVQA up from 76.5 to 79.3, TextVQA up from 74.6 to 76.3)

2025-03-27 (full release notes)

  1. Added support for long-form captioning
  2. Open vocabulary image tagging
  3. Improved counting accuracy (e.g. CountBenchQA increased from 80 to 86.4)
  4. Improved text understanding (e.g. OCRBench increased from 58.3 to 61.2)
  5. Improved object detection, especially for small objects (e.g. COCO up from 30.5 to 51.2)
  6. Fixed token streaming bug affecting multi-byte unicode characters
  7. gpt-fast style compile() now supported in HF Transformers implementation

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Класс архитектуры
HfMoondream
Ревизия весов
53b1a83

0 моделей