/ Модель

Характеристики

Контекст
131 072 токена
Архитектура
internvl_moonvit · dense
Библиотека
transformers
Опубликована
20 сен 2026

InternVL-MoonViT-V2-MiniCPM5-2B-HF

Изображение и текст → текст3 профессии

Экспериментальная модель PerRing объединяет MoonViT V2 и MiniCPM5-2B для диалога с изображениями и текстовой генерации.

363скачиваний за 30 дней0лайковвеса обновлены21 сен 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

PerRing подготовил экспериментальную мультимодальную модель InternVL-MoonViT-V2-MiniCPM5-2B-HF на базе энкодера изображений MoonViT V2 из Kimi K3 и языковой модели MiniCPM5-2B. Модель предназначена для диалога по изображениям и генерации текстовых ответов на визуальные запросы; в метаданных Hugging Face для неё указан тег image-text-to-text и архитектура InternVLMoonViTForConditionalGeneration.

Ключевое ограничение — мультимодальный проектор MLP не обучался, поэтому качество связывания изображения с текстовой моделью может быть низким или нестабильным. Для загрузки требуется Transformers с пользовательским кодом репозитория и параметром trust_remote_code=True. Лицензия в предоставленных данных не указана.

Сценарии применения

  • эксперименты с вопросами и ответами по изображениям
  • проверка мультимодальной связки MoonViT V2 и MiniCPM5-2B
  • прототипирование диалогового интерфейса с визуальным вводом

Ограничения

Мультимодальный проектор MLP не обучался, что может существенно ухудшать качество интерпретации изображений и ответов. Для загрузки необходим пользовательский код репозитория через trust_remote_code=True.

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

InternVL-MoonViT-V2-MiniCPM5-2B-HF

This model combines the MoonViT V2 vision encoder from Kimi K3 with the MiniCPM5-2B language model.

The multimodal projector (MLP) was not trained. Please keep this in mind when evaluating or using the model.

Model architecture

  • Vision encoder: MoonViT V2 from Kimi K3
  • Language model: MiniCPM5-2B
  • Multimodal projector (MLP): not trained

Loading the model

import torch
from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "PerRing/InternVL-MoonViT-V2-MiniCPM5-2B-HF"

processor = AutoProcessor.from_pretrained(
    model_id,
    trust_remote_code=True,
)

model = AutoModelForImageTextToText.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True,
).eval()

Note: This repository uses custom modeling and processing code, so trust_remote_code=True is required.

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
InternVLMoonViTForConditionalGeneration
Ревизия весов
c2c154c

0 моделей