/ Модель

Характеристики

Контекст
16 384 токена
Лицензия
CC BY-NC 4.0
Архитектура
llava_onevision · dense
Базовая модель
Qwen3-1.7B
Библиотека
transformers
Опубликована
8 июл 2025

VARCO-VISION-2.0-1.7B

Изображение и текст → текст12 профессий

Компактная мультимодальная модель NCSOFT для вопросов и ответов по изображениям и тексту, включая анализ нескольких изображений, документов и диаграмм.

1 384скачиваний за 30 дней24лайкавеса обновлены15 сен 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

VARCO-VISION-2.0-1.7B — разработанная NCSOFT мультимодальная модель для диалогов по изображениям и тексту. Она построена на архитектуре LLaVA-OneVision и объединяет визуальную основу SigLIP2-so400m-patch16-384 с языковой моделью Qwen3-1.7B; размер языковой модели — 1,7 млрд параметров. Модель принимает несколько изображений в одном запросе и отвечает на вопросы о документах, таблицах, диаграммах и других визуальных материалах.

Модель ориентирована прежде всего на корейский и английский языки, с особым вниманием к корейскому языку и культурному контексту. Она подходит для повседневных вопросов и ответов, суммаризации визуальной информации, распознавания текста на изображениях и локализации текстовых областей с помощью рамок. Компактная версия предназначена в том числе для запуска на смартфонах и ПК.

В репозитории указана лицензия CC BY-NC 4.0, которая ограничивает коммерческое использование. Для работы рекомендуется Transformers версии 4.53.1 или новее, особенно для поддержки нескольких изображений.

Сценарии применения

  • ответы на вопросы по фотографиям и скриншотам
  • анализ нескольких изображений в одном запросе
  • извлечение и локализация текста на изображениях
  • разбор таблиц и диаграмм
  • суммаризация содержимого документов и изображений
  • корейские и англоязычные диалоги по визуальным материалам

Ограничения

Модель компактнее полноразмерной версии на 14 млрд параметров; в приведённых англоязычных тестах она уступает некоторым моделям сравнения, а результаты текстовых тестов зависят от корректного следования формату подсказки. Лицензия CC BY-NC 4.0 не допускает коммерческое использование.

Для каких профессий подходит12

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

VARCO-VISION-2.0-1.7B

Introduction

VARCO-VISION-2.0 is a multimodal AI model capable of understanding both images and text to answer user queries. It supports multi-image inputs, enabling effective processing of complex content such as documents, tables, and charts. The model demonstrates strong comprehension in both Korean and English, with significantly improved text generation capabilities and a deeper understanding of Korean cultural context. Compared to its predecessor, performance has been notably enhanced across various benchmarks, and its usability in real-world scenarios—such as everyday Q&A and information summarization—has also improved.

In addition to the 14B full-scale model, a lightweight 1.7B version is available for on-device use, making it accessible on personal devices such as smartphones and PCs. VARCO-VISION-2.0 is a powerful open-weight AI model built for Korean users and is freely available for a wide range of applications.

🚨News🎙️

  • 📝 2025-09-12: We published the technical report of VARCO-VISION-2.0 at link
  • 🛠️ 2025-08-22: We updated the checkpoint of VARCO-VISION-2.0-1.7B for improved performance.
  • 📰 2025-07-28: We released VARCO-VISION-2.0-1.7B-OCR at link
  • 📰 2025-07-28: We released VARCO-VISION-2.0-1.7B at link
  • 🛠️ 2025-07-18: We updated the checkpoint of VARCO-VISION-2.0-14B for improved performance.
  • 📰 2025-07-16: We released VARCO-VISION-2.0-14B at link
  • 📰 2025-07-16: We released GME-VARCO-VISION-Embedding at link

Key Features

  • Multi-image Understanding: Newly added support for multi-image inputs enables the model to analyze multiple images simultaneously and make more holistic and context-aware decisions.
  • Korean Language Specialization: The model is further specialized for Korean, with a deeper understanding of Korean language, context, and culture. Korean text generation has been significantly improved, resulting in more natural, fluent, and accurate responses.
  • OCR with Text Localization: Unlike typical models that only recognize and generate text from images, VARCO-VISION-2.0 can also identify the position of the text and provide bounding boxes around it. This makes it especially useful for document understanding, signage interpretation, and structured visual data.
  • Enhanced Safety: The model now offers improved handling of harmful or sexually explicit content, ensuring safer and more reliable interactions.

VARCO-VISION-2.0 Family

Model NameBase Models (Vision / Language)HF Link
VARCO-VISION-2.0-14Bsiglip2-so400m-patch16-384 / Qwen3-14B link
VARCO-VISION-2.0-1.7Bsiglip2-so400m-patch16-384 / Qwen3-1.7Blink
VARCO-VISION-2.0-1.7B-OCRsiglip2-so400m-patch16-384 / Qwen3-1.7Blink
GME-VARCO-VISION-EmbeddingQwen2-VL-7B-Instructlink

Model Architecture

VARCO-VISION-2.0 follows the architecture of LLaVA-OneVision.

Evaluation

We used VLMEvalKit for evaluation whenever possible, and conducted our own implementations only for benchmarks not supported by the toolkit, ensuring fair comparisons with various open-weight models. Please note that for certain benchmarks involving LLM-based evaluation (e.g., LLaVABench), results may not be exactly reproducible due to variations in the underlying LLM behavior.

Korean Benchmark

BenchmarkInternVL3-2BOvis2-2BVARCO-VISION-2.0-1.7B
K-MMBench_DEV76.968.477.9
K-MMStar50.110.940.8
K-SEED69.234.570.7
K-LLaVA-W47.667.273.5
K-DTCBench68.844.664.2
AVERAGE62.545.165.4

English Benchmark

BenchmarkInternVL3-2BOvis2-2BVARCO-VISION-2.0-1.7B
MMStar61.156.754.5
MMMU_VAL48.745.644.1
MathVista57.664.161.1
OCRBench83.187.383.0
AI2D78.682.776.0
HallusionBench41.950.243.0
MMVet67.058.352.7
SEEDBench_IMG75.074.474.5
LLaVABench72.176.677.3
RealWorldQA65.166.066.8
POPE90.187.888.6
ScienceQA_TEST95.891.284.0
SEEDBench2_Plus64.867.466.9
BLINK53.147.947.2
TextVQA_VAL78.680.077.0
ChartQA_TEST76.081.475.7
Q-Bench1_VAL71.976.372.3
A-Bench_VAL74.376.272.4
DocVQA_TEST88.291.983.5
InfoVQA_TEST66.971.765.0
AVERAGE70.571.768.3

Text-only Benchmark

BenchmarkInternVL3-2BOvis2-2BVARCO-VISION-2.0-1.7B
MMLU59.912.955.3
MT-Bench62.861.472.3
KMMLU38.031.110.4
KoMT-Bench29.134.459.1
LogicKor25.631.253.7
AVERAGE43.134.250.2

Note: Some models show unusually low performance on the MMLU benchmark. This is primarily due to their failure to correctly follow the expected output format when only few-shot exemplars are provided in the prompts. Please take this into consideration when interpreting the results.

Korean Cultural Benchmark

BenchmarkInternVL3-2BOvis2-2BVARCO-VISION-2.0-1.7B
K-Viscuit60.064.157.7
PangeaBench (ko)66.263.163.8
AVERAGE63.163.660.8

OCR Benchmark

BenchmarkPaddleOCREasyOCRVARCO-VISION-2.0-1.7B
CORD91.477.896.2
ICDAR201392.085.095.9
ICDAR201573.757.973.7
AVERAGE85.773.688.6

Usage

To use this model, we recommend installing transformers version 4.53.1 or higher. While it may work with earlier versions, using 4.53.1 or above is strongly recommended, especially to ensure optimal performance for the multi-image feature.

The basic usage is identical to LLaVA-OneVision:

import torch
from transformers import AutoProcessor, LlavaOnevisionForConditionalGeneration

model_name = "NCSOFT/VARCO-VISION-2.0-1.7B"
model = LlavaOnevisionForConditionalGeneration.from_pretrained(
    model_name,
    torch_dtype=torch.float16,
    attn_implementation="sdpa",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained(model_name)

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/NCSOFT/VARCO-VISION-2.0-14B/resolve/main/demo.jpg"},
            {"type": "text", "text": "각 박스마다 한 줄씩 색상과 글자를 정확하게 출력해주세요."},
        ],
    },
]

inputs = processor.apply_chat_template(
    conversation,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device, torch.float16)
generate_ids = model.generate(**inputs, max_new_tokens=1024)
generate_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generate_ids)
]
output = processor.decode(generate_ids_trimmed[0], skip_special_tokens=True)
print(output)
conversation = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "file:///path/to/image1.jpg"},
            {"type": "image", "image": "file:///path/to/image2.jpg"},
            {"type": "text", "text": "이미지 간의 유사점을 파악하세요."},
        ],
    },
]
inputs = processor.apply_chat_template(
    conversation,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device, torch.float16)
generate_ids = model.generate(**inputs, max_new_tokens=1024)
generate_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generate_ids)
]
output = processor.decode(generate_ids_trimmed[0], skip_special_tokens=True)
print(output)
conversation_1 = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "file:///path/to/image1.jpg"},
            {"type": "text", "text": "이미지를 설명해주세요."},
        ],
    },
]
conversation_2 = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": "file:///path/to/image2.jpg"},
            {"type": "text", "text": "이 이미지에 표시된 것은 무엇인가요?"},
        ],
    },
]
inputs = processor.apply_chat_template(
    [conversation_1, conversation_2],
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    padding=True,
    return_tensors="pt"
).to(model.device, torch.float16)
generate_ids = model.generate(**inputs, max_new_tokens=1024)
generate_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generate_ids)
]
output = processor.batch_decode(generate_ids_trimmed, skip_special_tokens=True)
print(output)
from PIL import Image
image = Image.open("file:///path/to/image.jpg")
# Image upscaling for OCR performance boost
w, h = image.size
target_size = 2304
if max(w, h) < target_size:
    scaling_factor = target_size / max(w, h)
    new_w = int(w * scaling_factor)
    new_h = int(h * scaling_factor)
    image = image.resize((new_w, new_h))
conversation = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image},
            {"type": "text", "text": "<ocr>"},
        ],
    },
]
inputs = processor.apply_chat_template(
    conversation,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt"
).to(model.device, torch.float16)
generate_ids = model.generate(**inputs, max_new_tokens=1024)
generate_ids_trimmed = [
    out_ids[len(in_ids) :] for in_ids, out_ids in zip(inputs.input_ids, generate_ids)
]
output = processor.decode(generate_ids_trimmed[0], skip_special_tokens=False)
print(output)

Citation

@misc{cha2025varcovision20technicalreport,
      title={VARCO-VISION-2.0 Technical Report}, 
      author={Young-rok Cha and Jeongho Ju and SunYoung Park and Jong-Hyeon Lee and Younghyun Yu and Youngjune Kim},
      year={2025},
      eprint={2509.10105},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2509.10105}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
LlavaOnevisionForConditionalGeneration
Ревизия весов
ed09f37

0 моделей