/ Модель

Характеристики

Контекст
12 288 токенов
Лицензия
Apache 2.0
Архитектура
neo_chat · dense
Библиотека
transformers
Опубликована
13 мар 2026

NEO1_5-2B-SFT

Генерация текстаТекст → текст3 профессии

Дообученная нативная vision-language-модель для диалога с изображениями и исследований мультимодальных сценариев.

217скачиваний за 30 дней2лайкавеса обновлены28 мая 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

Paranioar/NEO1_5-2B-SFT — версия с дообучением модели NEO1_5-2B, разработанной для исследований нативных vision-language-моделей. Модель использует смешанный режим Native-Attn и Native-RoPE; указаны 2,2 млрд параметров без эмбеддингов, 40 слоёв и групповое внимание GQA с 16 головами Q и 8 головами KV.

Модель предназначена для диалоговых задач с изображениями и исследования обобщения на сценарии с одним или несколькими изображениями, видео и пространственными данными 3D. В метаданных заявлены задачи генерации текста и преобразования изображения и текста, а также интерфейс для вызова инструментов. Репозиторий содержит веса SafeTensors и использует библиотеку Transformers.

Лицензия — Apache-2.0. Карточка не приводит сведения о контекстном окне и языковой поддержке; качество для отдельных сценариев не оценивается.

Сценарии применения

  • ответы на вопросы об изображениях
  • диалог по нескольким изображениям
  • исследование обработки видео с помощью VLM
  • исследование интерпретации пространственных данных 3D
  • вызов инструментов в мультимодальном диалоге

Ограничения

Карточка описывает исследовательские направления, но не приводит результатов оценки качества. Поддерживаемые языки и размер контекстного окна не указаны.

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

| Paper | Code |

🌟🌟 Motivation

  • Can native VLMs generalize across single-image, multi-image, Video, and 3D spatial scenarios?

  • What advantages of native VLMs, especially early-fusion for pixel-pixel,pixel-word?

  • How to build strong native VLMs over Qwen3-VL for subsequent RL community?

🧑‍🎨🧑‍🎨 Model Overview

NEO1_5-2B has the following features:

  • Model Type: Native Vision-Language Models

  • Model Mode: Mixed Native-Attn & Native-RoPE

  • Layer Parameters: 56M vs. 50M (Qwen3-1.7B)

  • Model Parameters: 2.2B (Non-Embedding)

  • Number of Layers: 40 (12 for Pre-Buffer & 28 for Post-LLM)

  • Number of Heads: 16 for Q and 8 for KV (GQA)

  • Head Dimensions: 128 * 2 for QK and 128 for V

🔥🔥 Model Performance

✒️✒️ Citation

If NEO-ov is helpful for your research, please consider star ⭐ and citation 📝 :

@article{Diao2026NEOov,
  title        = {From Pixels to Words--Towards Native One-Vision Models at Scale},
  author       = {Diao, Haiwen and Wang, Jiahao and Wu, Penghao and Dong, Yuhao and Niu, Yuwei and Zhu, Yue and Cai, Zhongang and Fan, Weichen and Dai, Linjun and Wu, Silei and others},
  journal      = {arXiv preprint arXiv:2605.28820},
  year         = {2026}
}

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
NEOChatModel
Ревизия весов
1059709

0 моделей