/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Архитектура
gemma3 · dense
Базовая модель
gemma-3-4b-it
Библиотека
transformers
Опубликована
29 мая 2026

RoGemma3-4B-Instruct

Изображение и текст → текст3 профессии

Мультимодальная модель OpenLLM-Ro на базе Gemma 3 4B, дообученная для ответов на вопросы и анализа изображений на румынском языке.

31скачиваний за 30 дней2лайкавеса обновлены5 июн 2026

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

RoGemma3-4B-Instruct — мультимодальная модель OpenLLM-Ro, дообученная на базе google/gemma-3-4b-it для работы с изображениями и инструкциями на румынском языке. Она использует плотную архитектуру Gemma 3 и доступна в формате safetensors через Transformers; лицензия — CC-BY-NC-4.0.

Модель предназначена для исследований и дальнейшей адаптации румынских моделей с визуальным вводом. Она может описывать изображения, отвечать на вопросы о них, разбирать документы и диаграммы, распознавать текст на изображениях и связывать упомянутые объекты с их расположением. В бенчмарках README показаны улучшения относительно базовой Gemma 3 4B IT по совокупным результатам, подписям к изображениям, вопросам об изображениях, документам и визуальному заземлению.

Основной язык модели — румынский; README исключает применение на других языках. Размер параметров и длина контекста в предоставленных данных не указаны. Результаты бенчмарков не гарантируют точность в конкретных сценариях; лицензия ограничивает коммерческое использование.

Сценарии применения

  • создание румынских подписей к изображениям
  • ответы на вопросы по содержимому изображения на румынском языке
  • извлечение и понимание текста в румынских документах и диаграммах
  • определение количества объектов на изображении
  • указание расположения объектов на изображении
  • исследование и дальнейшая адаптация румынских визуально-языковых моделей

Ограничения

Модель предназначена для румынского языка; README исключает её использование на других языках. Лицензия CC-BY-NC-4.0 не разрешает коммерческое использование.

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

Model Card for RoGemma3-4B-Instruct

RoGemma3-4B-Instruct is a Romanian-adapted vision-language model built on top of google/gemma-3-4b-it. It was produced by continued supervised instruction tuning of the base Gemma 3 checkpoint on a Romanian multimodal SFT mixture covering general instruction following (LLaVA mix), captioning (Pixmo-Cap, Flickr30k-Cap), visual question answering (Pixmo-AA, Pixmo-Cap-QA, Flickr30k-QA), document and chart understanding (CoSyn, FinePDFs), and visual grounding (Pixmo-Points, Pixmo-Count). The model is intended for research on Romanian VLM capabilities.

Model Details

Model Description

Model Sources

Intended Use

Intended Use Cases

RoGemma3-4B-Instruct is intended for research use on Romanian vision-language tasks — captioning, visual question answering, cultural understanding, OCR / document understanding, and visual grounding — and as a starting point for further Romanian VLM adaptation.

Out-of-Scope Use

Use in any manner that violates applicable laws or regulations (including trade-compliance laws), the project's license, or use in languages other than Romanian.

How to Get Started with the Model

import torch
from PIL import Image
from transformers import AutoProcessor, Gemma3ForConditionalGeneration

model = Gemma3ForConditionalGeneration.from_pretrained(
    "OpenLLM-Ro/RoGemma3-4B-Instruct",
    torch_dtype=torch.bfloat16,
    device_map="auto",
).eval()
processor = AutoProcessor.from_pretrained("OpenLLM-Ro/RoGemma3-4B-Instruct")

image = Image.open("example.jpg").convert("RGB")
question = "Descrie imaginea în detaliu."

messages = [
    {"role": "user", "content": [
        {"type": "image", "image": image},
        {"type": "text", "text": question},
    ]},
]
inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device, dtype=torch.bfloat16)

with torch.inference_mode():
    outputs = model.generate(**inputs, max_new_tokens=256, do_sample=False)
print(processor.decode(outputs[0][inputs["input_ids"].shape[-1]:], skip_special_tokens=True))

Benchmarks

All benchmarks below are evaluated in Romanian. Per-benchmark winners are shown in bold. Micro is the mean over individual benchmarks; Macro is the mean over capability groups.

Aggregate

ModelMicro avg.Macro avg.
Gemma3-4B-it55.5352.36
RoGemma3-4B-Instruct59.5457.14

General Understanding

ModelMMBenchMMStarSeedBench2
Gemma3-4B-it59.1341.4957.55
RoGemma3-4B-Instruct69.9646.0162.83

Knowledge & Reasoning

ModelMMMUMME
Gemma3-4B-it36.6757.32
RoGemma3-4B-Instruct38.6754.62

Cultural

ModelCVQAALM-BenchRoMemesRoCultVLM
Gemma3-4B-it64.9065.9743.2452.19
RoGemma3-4B-Instruct64.2465.4040.7852.84

Generation & Open-ended

ModelRoFlickr30k-CaptionRoFlickr30k-QALLaVA-WildAyaVisionBenchm-WildVision
Gemma3-4B-it70.9381.6654.8452.8160.80
RoGemma3-4B-Instruct84.3584.7455.7147.0457.60

OCR & Documents

ModelRoCosynRoFinepdfsRoMemes OCR
Gemma3-4B-it48.4067.1289.47
RoGemma3-4B-Instruct59.0684.3586.33

Grounding

ModelPixmoCountPixmoPoints
Gemma3-4B-it40.4210.21
RoGemma3-4B-Instruct51.8024.87

Citation

@misc{masala2026intelegi,
      title={``\^{I}n\c{t}elegi Rom\^{a}ne\c{s}te?'' A Recipe for Romanian Vision-Language Models},
      author={Mihai Masala and Marius Leordeanu and Mihai Dascalu and Traian Rebedea},
      year={2026},
      eprint={2605.31401},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2605.31401},
}

@inproceedings{masala-etal-2024-vorbesti,
    title = "``Vorbeşti Româneşte?'' A Recipe to Train Powerful {R}omanian {LLM}s with {E}nglish Instructions",
    author = "Masala, Mihai and Ilie-Ablachim, Denis and Dima, Alexandru and Corlatescu, Dragos and Zavelca, Miruna and Olaru, Ovio and Terian, Simina and Terian, Andrei and Leordeanu, Marius and Velicu, Horia and Popescu, Marius and Dascalu, Mihai and Rebedea, Traian",
    booktitle = "Findings of the Association for Computational Linguistics: EMNLP 2024",
    month = nov,
    year = "2024",
    pages = "11632--11647"
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Gemma3ForConditionalGeneration
Ревизия весов
49cc5bf

0 моделей