/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Размер весов
16,6 ГБ
Лицензия
MIT
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
21 ноя 2025

Monet-7B

Изображение и текст → текст3 профессии

Monet-7B — дообученная мультимодальная модель на базе Qwen2.5-VL-7B-Instruct для диалогов и рассуждений по изображениям.

5 671скачиваний за 30 дней7лайковвеса обновлены28 ноя 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

Monet-7B — предварительно обученная мультимодальная модель NOVAglow646 для исследования рассуждений в латентном визуальном пространстве за пределами изображений и языка. Она основана на Qwen/Qwen2.5-VL-7B-Instruct и дообучена; архитектура — плотная Qwen2.5-VL с 7,1 млрд параметров. Модель принимает текст и изображения и генерирует текст, поддерживает диалоговый режим и контекст длиной до 128 000 токенов.

Модель предназначена для визуальных задач и экспериментов с рассуждениями по визуальным данным. Карточка ссылается на научную работу и пример инференса в GitHub, но не уточняет конкретные сценарии применения и результаты. Распространяется по лицензии MIT.

Сценарии применения

  • ответы на вопросы по изображениям
  • диалог с визуальным контекстом
  • эксперименты с рассуждениями в латентном визуальном пространстве

Ограничения

README не приводит оценок качества и подробно не описывает поддерживаемые сценарии; практические возможности сверх визуального диалога не уточнены.

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

Introduction

This is the pretrained model for paper "Monet: Reasoning in Latent Visual Space Beyond Images and Language"

Paper: http://arxiv.org/abs/2511.21395

Code: https://github.com/NOVAglow646/Monet

How to use this model: we provide an inference example in our GitHub repo.

Citation

If you find this work useful, please use the following BibTeX. Thank you for your support!

@misc{wang2025monetreasoninglatentvisual,
      title={Monet: Reasoning in Latent Visual Space Beyond Images and Language}, 
      author={Qixun Wang and Yang Shi and Yifei Wang and Yuanxing Zhang and Pengfei Wan and Kun Gai and Xianghua Ying and Yisen Wang},
      year={2025},
      eprint={2511.21395},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2511.21395}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
39c1e32

0 моделей