/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
Apache 2.0
Архитектура
andesvl-aimv2-qwen3 · dense
Библиотека
transformers
Опубликована
13 окт 2025

AndesVL-4B-Instruct

Генерация текстаТекст → текст5 профессий

AndesVL-4B-Instruct — мультимодальная модель OPPO для анализа изображений и ответов на вопросы с расчётом на эффективный запуск на мобильных устройствах.

34скачиваний за 30 дней9лайковвеса обновлены15 окт 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

AndesVL-4B-Instruct — мультимодальная модель из семейства AndesVL, разработанная OPPO и построенная на языковой модели Qwen3 с визуальным энкодером. Серия включает модели размером от 0,6 до 4 млрд параметров; в README не приведены компоненты и точное число параметров именно версии 4B.

Модель предназначена для эффективного запуска на мобильных и других периферийных устройствах. Она принимает изображения и текст и может отвечать на вопросы по изображениям, работать с несколькими изображениями, анализировать насыщенные текстом визуальные материалы, выполнять рассуждения, многоязычные и GUI-задачи. В описании серии заявлены архитектура LoRA «1+N», метод QALFT, ускорение декодирования до 6,7 раза и сжатие до 1,8 бит на параметр на мобильных чипах; эти показатели не уточнены отдельно для версии 4B.

Для модели указана лицензия Apache-2.0. README не содержит подробностей об обучающих данных, поддерживаемых языках или контекстном окне; также не уточняет производительность версии 4B на конкретных устройствах и задачах.

Сценарии применения

  • ответы на вопросы по изображению
  • извлечение и понимание текста на изображениях
  • анализ нескольких изображений в одном запросе
  • объяснение содержимого экранов и элементов GUI
  • мультимодальные рассуждения по визуальным материалам

Ограничения

Точное число параметров, визуальный энкодер и языки для версии 4B в доступном README не приведены. Заявленные ускорение и сжатие относятся к серии в целом и не подтверждены отдельно для этой версии.

Для каких профессий подходит5

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

AndesVL is a suite of mobile-optimized Multimodal Large Language Models (MLLMs) with 0.6B to 4B parameters, built upon Qwen3's LLM and various visual encoders. Designed for efficient edge deployment, it achieves first-tier performance on diverse benchmarks, including those for text-rich tasks, reasoning tasks, Visual Question Answering (VQA), multi-image tasks, multilingual tasks, and GUI tasks. Its "1+N" LoRA architecture and QALFT framework facilitate efficient task adaptation and model compression, enabling a 6.7x peak decoding speedup and a 1.8 bits-per-weight compression ratio on mobile chips.

Detailed model sizes and components are provided below:

ModelTotal Parameters (B)Visual EncoderLLM
AndesVL-0.6B0.695SigLIP2-BaseQwen3-0.6B
AndesVL-1B0.927AIMv2-LargeQwen3-0.6B
AndesVL-2B2.055AIMv2-LargeQwen3-1.7B
AndesVL-4B4.360AIMv2-LargeQwen3-4B

Quick Start

# require transformers>=4.52.4

import torch
from transformers import AutoModel, AutoTokenizer, CLIPImageProcessor

model_dir = "OPPOer/AndesVL-4B-Instruct"

model = AutoModel.from_pretrained(model_dir, trust_remote_code=True,torch_dtype=torch.bfloat16).cuda()
tokenizer = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)
image_processor = CLIPImageProcessor.from_pretrained(model_dir, trust_remote_code=True)

messages = [
                {
                    "role": "user",
                    "content": [
                        {"type": "text", "text": "描述这张图片。"},
                        {
                            "type": "image_url",
                            "image_url": {
                                "url": "https://i-blog.csdnimg.cn/blog_migrate/2f4c88e71f7eabe46d062d2f1ec77d10.jpeg" # image/to/path
                            },
                        }
                    ],
                },
        ]
res = model.chat(messages, tokenizer, image_processor, max_new_tokens=1024, do_sample=True, temperature=0.6)
print(res)

Citation

If you find our work helpful, feel free to give us a cite.

@misc{jin2025andesvltechnicalreportefficient,
      title={AndesVL Technical Report: An Efficient Mobile-side Multimodal Large Language Model}, 
      author={AndesVL Team, OPPO AI Center},
      year={2025},
      eprint={2510.11496},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2510.11496}, 
}

Acknowledge

We are very grateful for the efforts of the Qwen, AimV2 and Siglip 2 projects.

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
AndesVLForConditionalGeneration
Ревизия весов
35be8f3

0 моделей