/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
MIT
Архитектура
qwen3_5 · dense
Базовая модель
Qwen3.5-2B
Библиотека
transformers
Опубликована
14 апр 2026

Qwen3.5_VL_2B_12k

Изображение и текст → текст4 профессии

Мультимодальная модель на базе Qwen3.5-2B для извлечения данных из банковских выписок по изображениям и текстовым инструкциям.

28скачиваний за 30 дней7лайковвеса обновлены3 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

RohitUltimate/Qwen3.5_VL_2B_12k — мультимодальная модель для преобразования изображений и текста в текст, дообученная на базе Qwen3.5-2B. Карточка указывает на настройку для извлечения данных из банковских выписок и улучшенное следование инструкциям и понимание изображений. Модель рассчитана на контекст до 12 000 токенов и запуск на GPU с объёмом видеопамяти менее 8 ГБ; для инференса описана поддержка vLLM и Transformers.

Модель подходит для разбора изображений банковских выписок и извлечения из них структурированной информации в текстовом виде. В репозитории указана лицензия MIT. Заявления об улучшении качества приведены в карточке модели, но количественные результаты оценки не указаны.

Сценарии применения

  • извлечение реквизитов и операций из изображений банковских выписок
  • ответы на вопросы по содержимому выписки
  • преобразование изображения финансового документа в текстовые данные

Ограничения

Карточка не приводит количественных результатов сравнительной оценки, поэтому заявленное улучшение качества проверить по ней нельзя. Описанная специализация сосредоточена на банковских выписках.

Для каких профессий подходит4

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

Model Card: RohitUltimate/Qwen3.5_VL_2B_12k

Description

This model is a fine-tuned vision-language model based on Qwen3.5-2B, optimized for image-text-to-text tasks with extended context length (12k tokens). Compared to the base and standard fine-tuned variants, this model demonstrates improved performance on instruction-following and multimodal understanding, benefiting from higher-quality training data and better alignment for bank statement extraction. It is designed to run efficiently on GPUs with under 8GB VRAM with less than 5GB model, enabling low-cost deployment without significant performance compromise.


vLLM Inference Pipeline

vLLM is a high-throughput and memory-efficient inference and serving engine for LLMs. You can run this model using vLLM with the following Docker command:

docker run --gpus all -p 8000:8000 vllm/vllm-openai:latest \
  --model RohitUltimate/Qwen3.5_VL_2B_12k \
  --huggingface_token <YOUR_HF_TOKEN> \
  --tokenizer Qwen/Qwen3.5-2B \
  --dtype bfloat16 \
  --trust-remote-code \
  --gpu-memory-utilization 0.9 \
  --max-model-len 12000

Discussion:

If you need more information, have suggestions, or face any issues while using this model, feel free to start a discussion. Let’s collaborate and grow this community stronger

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3_5ForConditionalGeneration
Ревизия весов
cf8d47e

0 моделей