/ Модель

Характеристики

Контекст
40 960 токенов
Параметры
508 млн
Размер весов
5,1 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
isaac · dense
Опубликована
10 дек 2025

Isaac-0.2-1B

Генерация текстаТекст → текст9 профессий

Компактная мультимодальная модель PerceptronAI анализирует изображения и отвечает на вопросы о визуальном содержимом, включая OCR, интерфейсы и пространственные задачи.

56скачиваний за 30 дней6лайковвеса обновлены21 дек 2025

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

Isaac-0.2-1B — компактная гибридная модель PerceptronAI для обработки изображений и диалога. В репозитории указано 507,9 млн параметров; архитектура — плотная IsaacForConditionalGeneration, формат весов — safetensors, контекст — до 40 960 токенов. Модель принимает изображения и текстовые запросы и отвечает текстом.

Модель предназначена для визуального рассуждения и восприятия: распознавания текста на документах, схемах и экранах, привязки объектов к областям изображения, понимания интерфейсов и навигации по ним. Она поддерживает структурированные ответы, вызов инструментов и режим Focus для увеличения и повторного анализа выбранной области; README также описывает краткие рассуждения для многошаговых и пространственных задач. Указаны сценарии робототехники, поиска по медиаматериалам и промышленного контроля.

Модель ориентирована на английский язык. Лицензия CC BY-NC 4.0 разрешает использование с обязательной атрибуцией и ограничивает коммерческое применение. Компактный размер рассчитан на работу на обычных GPU и периферийных устройствах, однако README не приводит независимых результатов бенчмарков, поэтому заявления о точности следует проверять на целевых данных.

Сценарии применения

  • извлечение текста из документов, схем, этикеток и экранов
  • ответы на вопросы по изображению
  • понимание и навигация по интерфейсам рабочего стола и мобильных устройств
  • поиск объектов и их привязка к областям изображения
  • визуальная проверка изделий и сцен в промышленности
  • анализ визуальной обстановки для робототехнических систем

Ограничения

Лицензия CC BY-NC 4.0 ограничивает коммерческое использование. README не приводит независимых результатов бенчмарков; качество на конкретных изображениях и задачах требует проверки.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Isaac-0.2-1B by Perceptron

Introducing the 1B parameter variant of Isaac-0.2, the hybrid-reasoning vision-language model.

This release brings major upgrades — optional reasoning via thinking traces, perceptive tool calling (including our new Focus system), stronger grounding, better OCR, better desktop use, and improved structured output — while remaining fast, compact, and deployable.

Try it on our demo! 🚀 - API Docs 📘 - Discord 💬

Extending the efficient frontier of perception

Isaac 0.2 extends what we started with Isaac 0.1: small models that outperform systems 10× larger on visual reasoning and perception tasks, all running on commodity GPUs or edge devices. From robotics to media search to industrial inspection, Isaac 0.2 delivers high-accuracy perception without the heavy compute footprint.

image

What's New in Isaac 0.2

  • Reasoning via Thinking Traces: Short, structured reasoning traces improve multi-step decisions, small-object understanding, and ambiguous spatial tasks.

  • Perceptive Tool Calling + Focus (Zoom & Crop): Isaac 0.2 can trigger tool calls to focus (i.e., zoom and crop) and re-query the model on a smaller region — dramatically improving fine-grained perception.

  • Structured Outputs: More reliable structured output generation for consistent JSON and predictable downstream integration.

  • Complex OCR: Improved text recognition across cluttered, low-resolution, or distorted regions — enabling accurate extraction from documents, diagrams, labels, screens, and dense real-world scenes.

  • Desktop Use: Better performance on everyday desktop and mobile workflows such as UI understanding and navigation, making Isaac faster and more capable for agentic use cases.

Performance Benchmarks

image

Chatting with Isaac in 🤗 Transformers

Learn more at our Huggingface Example Repo, where we demo extracting and rendering points.

pip install perceptron

Usage

import torch
from transformers import AutoModelForCausalLM, AutoProcessor
from transformers.image_utils import load_image
from transformers.utils.import_utils import is_torch_cuda_available

def document_to_messages(document: list[dict]):
    messages, images = [], []
    for item in document:
        if not (content := item.get("content")):
            continue
        role = item.get("role", "user")
        if item.get("type") == "image":
            images.append(load_image(content))
            messages.append({"role": role, "content": "<image>"})
        elif item.get("type") == "text":
            messages.append({"role": role, "content": content})
    return messages, images

hf_path = "PerceptronAI/Isaac-0.2-1B"
device, dtype = ("cuda",torch.bfloat16) if is_torch_cuda_available() else ("cpu",torch.float32)

# Load model/processor from the checkpoint
processor = AutoProcessor.from_pretrained(hf_path, trust_remote_code=True)
model = AutoModelForCausalLM.from_pretrained(
    hf_path, trust_remote_code=True, vision_attn_implementation="flash_attention_2"
)
model = model.to(device=device, dtype=dtype)
model.eval()

# Prepare input for generation
document = [
    {
        "type": "text",
        "content": "<hint>BOX</hint>",
        "role": "user",
    },
    {
        "type": "image",
        "content": "https://raw.githubusercontent.com/perceptron-ai-inc/perceptron/refs/heads/main/huggingface/assets/example.webp",
        "role": "user",
    },
    {
        "type": "text",
        "content": "Determine whether it is safe to cross the street. Look for signage and moving traffic.",
        "role": "user",
    },
]
messages, images = document_to_messages(document)
text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
inputs = processor(text=text, images=images, return_tensors="pt")

# Generate text using the model
generated_ids = model.generate(
    tensor_stream=inputs["tensor_stream"].to(next(model.parameters()).device),
    max_new_tokens=256,
    do_sample=False,
)
generated_text = processor.tokenizer.decode(
    generated_ids[0], skip_special_tokens=False
)
print(f"\nFull generated output:\n{generated_text}")

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
IsaacForConditionalGeneration
Ревизия весов
bf8a8b2

0 моделей