/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
19,3 ГБ
Лицензия
Apache 2.0
Архитектура
uniar · dense
Базовая модель
UniAR-SFT
Опубликована
16 июн 2026

UniAR-RL

Описание изображенийИзображение → текст3 профессии

UniAR-RL — мультимодальная модель для понимания изображений и выполнения инструкций по генерации и редактированию изображений.

2 169скачиваний за 30 дней1лайквеса обновлены23 июн 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

UniAR-RL — мультимодальная авторегрессионная модель ShareLab-SII для понимания и генерации изображений. Этот чекпойнт дообучен методом обучения с подкреплением GRPO поверх UniAR-SFT и улучшает качество генерации и следование инструкциям, включая рендеринг текста на изображениях.

Модель объединяет обработку визуальных токенов и текста в одном Transformer. В её составе — Qwen3-8B, визуальный токенизатор на основе BSQ-квантированного SigLIP2-So400M ViT и визуальный декодер SD3.5-Medium DiT. Чекпойнт включает компоненты для понимания и генерации изображений; заявленная задача карточки Hugging Face — image-to-text. Лицензия — Apache-2.0.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • описание изображений по запросу
  • генерация изображений по текстовой инструкции
  • редактирование изображений по текстовой инструкции
  • рендеринг текста внутри генерируемого изображения

Ограничения

Заявленные улучшения качества относятся к сравнению с унифицированными моделями; README не приводит численных результатов оценки. Для запуска требуются компоненты чекпойнта и зависимости проекта UniAR.

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

UniAR: Unified Multimodal Autoregressive Modeling with Shared Context--Visual Tokenizer is Key to Unification (ICML2026)

UniAR is a unified autoregressive multimodal model for image understanding, image generation, and image editing in a single Transformer. UniAR-RL is obtained by reinforcement learning (GRPO) on top of UniAR-SFT, achieving state-of-the-art text rendering and instruction-following performance among unified models.

arXiv Project Page Code

Model Description

UniAR uses a single discrete visual tokenizer (BSQ) as the key bridge between understanding and generation, enabling a shared context where the model can directly interpret its own generated visual tokens. Key components:

  • Backbone: Qwen3-8B
  • Visual Tokenizer: BSQ-quantized SigLiP2-So400M ViT with DeepStack connections
  • Visual Decoder: SD3.5-Medium DiT with SigLIP feature injection
  • Training: Pre-training (1T tokens) → SFT → RL (GRPO with multi-reward stack)

This checkpoint (UniAR-RL) is the final RL-finetuned model with improved generation quality.

Checkpoint Contents

This is a self-contained checkpoint with all components needed for both understanding and generation:

ComponentPathDescription
AR model*.safetensorsUnified autoregressive model weights
BSQ encoderbsq_encoder/BSQ quantized image tokenizer
SD3 transformersd3_transformer/SD3 transformer with visual feature injection
SD3 pipelinesd3_pipeline/SD3 VAE + text encoders

Usage

Installation

conda create -n uniar python=3.12 -y
conda activate uniar

git clone https://github.com/ShareLab-SII/UniAR.git
cd UniAR
pip install -e .            # inference dependencies

Image Understanding

import torch
from transformers import AutoProcessor
from uniar import UniARForConditionalGeneration

model_path = "ShareLab-SII/UniAR-RL"
model = UniARForConditionalGeneration.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
).cuda().eval()
processor = AutoProcessor.from_pretrained(model_path)

messages = [{"role": "user", "content": [
    {"type": "image", "image": "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen-VL/assets/demo.jpeg"},
    {"type": "text", "text": "Describe this image in detail."},
]}]

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)
inputs.pop("mm_token_type_ids", None)

with torch.no_grad(), torch.autocast("cuda", dtype=torch.bfloat16):
    output_ids = model.generate(**inputs, max_new_tokens=1024, do_sample=False)
output_ids = [o[len(i):] for i, o in zip(inputs.input_ids, output_ids)]

print(processor.batch_decode(output_ids, skip_special_tokens=True)[0])

Image Generation

import torch
from transformers import AutoProcessor
from uniar import UniARForConditionalGeneration, UniARVisualDecoder
from inference.visual_inputs import prepare_visual_inputs

model_path = "ShareLab-SII/UniAR-RL"
device = torch.device("cuda")

ar_model = UniARForConditionalGeneration.from_pretrained(
    model_path,
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
).to(device).eval()
processor = AutoProcessor.from_pretrained(model_path, padding_side="left")
visual_decoder = UniARVisualDecoder.from_pretrained(model_path, device=device)

# prepare inputs
visual_inputs = prepare_visual_inputs(
    ["A cute anime girl."],
    ar_model,
    processor,
    ar_height=960,
    ar_width=960,
)

# autogressively generate visual indices
indices = ar_model.generate_visual(
    **visual_inputs,
    temperature=1.0,
    cfg=1.5,
    show_progress=True,
)

# decode visual indices into image
images = visual_decoder.decode(
    indices,
    ar_height=960,
    ar_width=960,
    upsampling_ratio=1.067,
)

images[0].save("output.png")

Citation

@article{peng2026unified,
  title={Unified Multimodal Autoregressive Modeling with Shared Context-Visual Tokenizer is Key to Unification},
  author={Peng, Wujian and Meng, Lingchen and Cai, Yuxuan and Zhuang, Xianwei and Yang, Yuhuan and Fang, Rongyao and Wu, Chenfei and Lin, Junyang and Wu, Zuxuan and Bai, Shuai},
  journal={arXiv preprint arXiv:2606.18249},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Архитектура uniar неизвестна transformers в образе рантайма.

Класс архитектуры
UniARForConditionalGeneration
Ревизия весов
6b02e4e

0 моделей