Характеристики

Контекст: 262 144 токена
Размер весов: 19,8 ГБ
Лицензия: MIT
Архитектура: qwen3_5_moe · dense
Базовая модель: Ornith-1.0-35B
Библиотека: mlx
Опубликована: 27 июн 2026

Ссылки

Ornith-1.0-35B-JANG_4M

Изображение и текст → текст3 профессии

Квантизированная мультимодальная модель Ornith-1.0-35B для ответов на текстовые запросы по изображениям, оптимизированная для запуска на Apple Silicon.

25скачиваний за 30 дней3лайкавеса обновлены27 июн 2026

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

Ornith-1.0-35B JANG_4M — сборка OsaurusAI мультимодальной модели DeepReinforce для диалога по изображениям и тексту. Она принимает изображение вместе с текстовым запросом и генерирует текстовый ответ; предназначена для запуска на компьютерах Apple Silicon через Osaurus или совместимую среду vMLX. В основе лежит гибридная архитектура Qwen3.5 MoE: 40 текстовых слоёв, включая 30 слоёв Gated-DeltaNet с линейным вниманием и 10 слоёв полного внимания, 256 маршрутизируемых экспертов и скрытый размер 2048.

Вариант JANG_4M использует смешанную аффинную квантизацию: 8-битную для внимания и 4-битную для маршрутизируемых экспертов с размером группы 64; визуальный энкодер оставлен в fp16. Размер сборки составляет около 18 ГБ вместо примерно 70 ГБ для исходной версии bf16. Модель основана на deepreinforce-ai/Ornith-1.0-35B и распространяется по лицензии MIT. README не сообщает длину контекста и перечень поддерживаемых языков; запуск требует Osaurus или vMLX, которые корректно обрабатывают параметр RMSNorm scale_shift +1.

Сценарии применения

ответы на вопросы об изображениях
описание содержимого фотографии по запросу
визуальный диалог с изображением
анализ изображения в локальном приложении на Apple Silicon

Ограничения

Для корректной загрузки требуется Osaurus или vMLX, поддерживающие RMSNorm scale_shift +1. Текстовая часть квантизирована до 8 бит для внимания и 4 бит для экспертов, поэтому качество может отличаться от исходной bf16-сборки; визуальный энкодер сохранён в fp16.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели I.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Ornith-1.0-35B · JANG_4M

Official OsaurusAI JANG_4M build of deepreinforce-ai/Ornith-1.0-35B (MIT) — a vision-language model on a Qwen3.5 hybrid backbone. Mixed-precision affine (JANG_4M); runs on Apple Silicon via Osaurus.

~18 GB (from ~70 GB bf16) bundle.
JANG_4M: 8-bit affine attention + 4-bit affine routed experts (mixed precision, group-size 64); embeddings/head per-module; vision tower kept fp16.
Vision-language (image + text → text).

Architecture


Family	`qwen3_5_moe` (hybrid)
Text layers	40 — 30 Gated-DeltaNet (linear-attention) + 10 full-attention
MoE / dims	256 routed experts (stacked `switch_mlp`) · hidden 2048 · untied lm_head
Vision	ViT tower (`model.visual`) preserved fp16
Cache	hybrid (GDN state + KV for attention layers)
Parsers	reasoning `qwen3` · tools `qwen`

Running it

JANG bundles use the Qwen3.5 RMSNorm +1 scale_shift applied at runtime, so load them in Osaurus (or the vMLX runtime), which handles it automatically:

osaurus run OsaurusAI/Ornith-1.0-35B-JANG_4M

Note: a plain mlx_lm.generate will not be coherent on a JANG bundle — it omits the +1 norm shift. Use the Osaurus / vMLX runtime (or vmlx_engine.loaders.load_jang), which applies it.

Provenance

Quantization: Osaurus · JANG_4M (8-bit affine attention + 4-bit affine routed experts, group-size 64; vision tower fp16) · eric@osaurus.ai

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Класс архитектуры: Qwen3_5MoeForConditionalGeneration
Ревизия весов: 37f9cd5