/ Модель

Характеристики

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

UniAR-SFT

Описание изображенийИзображение → текст3 профессии

UniAR-SFT — мультимодальная авторегрессионная модель для понимания изображений, генерации изображений и их редактирования.

98скачиваний 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-SFT — контрольная точка модели UniAR, разработанной авторами работы «UniAR: Unified Multimodal Autoregressive Modeling with Shared Context—Visual Tokenizer is Key to Unification» для понимания изображений, генерации изображений и их редактирования в едином авторегрессионном Transformer. Это версия после supervised fine-tuning и до этапа RL, предназначенная также как отправная точка для собственного обучения с подкреплением.

Модель объединяет языковую основу Qwen3-8B и визуальный токенизатор BSQ на базе SigLIP2-So400M ViT с DeepStack-связями; для декодирования изображений используется SD3.5-Medium DiT с внедрением признаков SigLIP. Общие дискретные визуальные токены позволяют модели интерпретировать изображения и работать с визуальными токенами, которые она сама генерирует. Карточка содержит компоненты для понимания и генерации изображений. Репозиторий распространяется по лицензии Apache-2.0. Метаданные Hugging Face указывают задачу image-to-text; другие заявленные в README возможности не представлены отдельными pipeline-тегами.

Сценарии применения

  • описание содержимого изображения
  • ответы на вопросы по изображению
  • генерация изображения по текстовому запросу
  • редактирование изображения по инструкции
  • дообучение модели RL для мультимодальных задач

Ограничения

В метаданных указана задача image-to-text, поэтому генерация и редактирование изображений, хотя и заявлены в README, не отражены отдельными pipeline-тегами. Карточка описывает версию до RL и позиционирует её как основу для дальнейшего обучения.

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-SFT is the supervised fine-tuned checkpoint (before RL).

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

This checkpoint (UniAR-SFT) is the supervised fine-tuned model before RL. It provides a good starting point for custom RL training.

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-SFT"
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-SFT"
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
b84157e

0 моделей