/ Модель

Характеристики

Контекст
131 072 токена
Параметры
385 млн
Размер весов
2,1 ГБ
Лицензия
Apache 2.0
Архитектура
panovlm · dense
Библиотека
transformers
Опубликована
31 мая 2026

PanoVLM-500M

Изображение и текст → текст3 профессии

Компактная vision-language-модель PanocularAI для диалогов и генерации текстовых ответов по изображениям.

1 441скачиваний за 30 дней0лайковвеса обновлены3 июл 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

PanoVLM-500M — компактная модель «изображение—текст» от PanocularAI. Она объединяет визуальный энкодер FastViT-HD, языковую модель PanoLM с линейным вниманием и лёгкий проектор BitLinear. В метаданных указано около 385,1 млн параметров, а длина контекста составляет 131 072 токена.

Модель принимает изображение и текст и предназначена для диалоговых сценариев с визуальными данными, например ответов на вопросы об изображении и его описания. README задаёт разрешение изображений 1024×1024 с изменением размера и дополнением; указано, что менять следует только разрешение. Для работы заявлены PyTorch, Transformers, flash-linear-attention и timm. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • ответы на вопросы об изображении
  • создание текстового описания изображения
  • диалог с изображением
  • извлечение сведений из визуальных материалов

Ограничения

README указывает на разрешение изображений 1024×1024 с дополнением после изменения размера и рекомендует менять только разрешение. В карточке подтверждён английский язык; сведения о качестве на других языках не приведены.

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

PanoVLM-500M

PanoVLM is a linear-attention vision-language model: a FastViT-HD vision encoder (timm) feeding a PanoLM linear-attention causal LM through a lightweight projector.

  • Type: Vision-Language (image-text-to-text) Model
  • LM: PanoLM-380M
  • Vision encoder: FastViT-HD (timm), NCHW input
  • Projector: BitLinear (encoder dim → LM dim)
  • Default image resolution: 1024×1024 (pad-resized; only the resolution is meant to be changed)

Parameters

ComponentParameters
PanoLM LM~387 M
FastViT-HD vision encoder~123 M
Projector~3 M
Total~513 M

Requirements

torch==2.12.0
transformers==5.8.1
flash-linear-attention==0.5.0
timm==1.0.25

Usage

Replace <repo_id> with the HF Hub identifier.

from transformers import AutoModelForImageTextToText, AutoProcessor
from PIL import Image
import requests

repo_id = "<repo_id>"
model = AutoModelForImageTextToText.from_pretrained(
    repo_id, trust_remote_code=True,
).cuda()  # fla's RMSNorm uses Triton kernels that only run on CUDA tensors.
processor = AutoProcessor.from_pretrained(repo_id, trust_remote_code=True)

url = "https://llava-vl.github.io/static/images/view.jpg"
image = Image.open(requests.get(url, stream=True).raw)

# PanoVLM's chat template wraps string content, so put the <|image|> placeholder
# inline in the message text (the processor expands it into the image tokens).
# Keep the space after <|image|>: the HF tokenizer, unlike the training tokenizer,
# does not implicitly insert one at the special-token boundary.
messages = [{"role": "user", "content": "<|image|> Is there a boat in the image?"}]
prompt = processor.tokenizer.apply_chat_template(
    messages, add_generation_prompt=True, tokenize=False,
)
inputs = processor(text=prompt, images=image, return_tensors="pt").to(model.device)

out = model.generate(**inputs, max_new_tokens=512)
print(processor.decode(out[0], skip_special_tokens=True))

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
PanoVLMForConditionalGeneration
Ревизия весов
e99fbb1

0 моделей