/ Модель

Характеристики

Лицензия
MIT
Архитектура
encoder_free_vlm · dense
Опубликована
30 июл 2026

Nathanael-Embedding-50M

ЭмбеддингиТекст → embedding5 профессий

Компактная vision-language-модель для извлечения признаков из текстовых и визуальных входов, включая браузерные приложения.

18скачиваний за 30 дней1лайквеса обновлены30 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

Nathanael-Embedding-50M — компактная vision-language-модель без отдельного визуального энкодера, построенная на базе SupraLabs/Supra-1.5-50M-Base-exp. Согласно карточке, модель дистиллирована с использованием эмбеддингов SigLIP-2 и отображает визуальные токены в скрытое представление языковой модели. Она принимает текстовые токены и изображения размером 224×224; доступны веса SafeTensors и оптимизированные варианты ONNX в FP32 и FP16 для CPU, WASM и ускорения через WebGPU/WebGL.

Модель предназначена для извлечения признаков из текстово-визуальных входов, в том числе в браузере или терминале. Карточка не уточняет длину контекста и конкретные сценарии работы с изображениями. Лицензия — MIT.

Сценарии применения

  • извлечение признаков из изображения и связанного с ним текста
  • передача визуальных токенов в представление языковой модели
  • запуск компактной VLM в браузере через ONNX Runtime
  • обработка изображений 224×224 на CPU или с ускорением WebGPU/WebGL

Ограничения

Карточка не описывает точность и конкретные прикладные возможности модели; заявленная обработка изображений указана для входного размера 224×224. Модель основана на экспериментальной базовой версии Supra-1.5-50M-Base-exp.

Для каких профессий подходит5

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

Encoder-Free Vision-Language Model (VLM)

This repository hosts an Encoder-Free Vision-Language Model (VLM) wrapped around the base language model SupraLabs/Supra-1.5-50M-Base-exp and distilled using embeddings generated by SigLIP-2.

By using robust mathematical hook patches instead of standard heavy vision encoders, it extracts and maps visual tokens directly into target hidden representation vectors in the browser or terminal.

File Registry

  • vlm_model.onnx: Optimized FP32 ONNX model compatible with CPU/WASM onnxruntime-web execution providers.
  • vlm_model_fp16.onnx: Optimized FP16 ONNX model for WebGPU/WebGL rendering acceleration.
  • model.safetensors: Standard PyTorch model state dictionary (SafeTensors format).
  • modeling_vlm.py: Custom Python wrapper code for the EncoderFreeVLM module and VLMPreprocessor.
  • config.json: Hardware parameter settings.

PyTorch Integration

To load this model natively in Python, clone this repository and use the custom classes in modeling_vlm.py:

import torch
from modeling_vlm import EncoderFreeVLM, VLMPreprocessor
from transformers import AutoTokenizer, AutoModelForCausalLM

# 1. Load base components
tokenizer = AutoTokenizer.from_pretrained("SupraLabs/Supra-1.5-50M-Base-exp", trust_remote_code=True)
cma_model = AutoModelForCausalLM.from_pretrained("SupraLabs/Supra-1.5-50M-Base-exp", trust_remote_code=True)

# 2. Instantiate wrapper
preprocessor = VLMPreprocessor(tokenizer)
vlm = EncoderFreeVLM(cma_model, embedding_dim=768, proj_mode="linear")

# 3. Load model state dictionary and automatically reconstruct shared weights
from safetensors.torch import load_model
load_model(vlm, "model.safetensors")
vlm.eval()

# Example forward execution
# inputs = preprocessor(image=your_image_object)
# embeddings = vlm(**inputs)

ONNX Runtime Configuration

When deploying inside JS/Web applications, query the model with the following inputs:

  • input_ids [int64, [batch_size, sequence_length]]
  • attention_mask [int64, [batch_size, sequence_length]]
  • images [float32, [batch_size, 3, 224, 224]]
  • is_image [float32, [batch_size, 1]]

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура encoder_free_vlm неизвестна transformers в образе рантайма.

Ревизия весов
bf6db6a

0 моделей