/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Архитектура
qwen3_vl · dense
Библиотека
transformers
Опубликована
8 мая 2026

Bbox-caption-8b

Изображение и текст → текст3 профессии

Модель SynLayers на базе Qwen3-VL описывает изображение и находит рамки видимых объектов или слоёв для первого этапа декомпозиции.

117скачиваний за 30 дней5лайковвеса обновлены18 мая 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

SynLayers/Bbox-caption-8b — модель SynLayers первого этапа системы SynLayers для анализа изображений. По входному изображению она формирует описание всей сцены и предсказывает ограничивающие рамки видимых объектов или слоёв. Модель основана на архитектуре Qwen3-VL и предназначена для запуска через Transformers; репозиторий содержит веса в формате safetensors.

Модель подходит для получения подписей к изображениям и локализации объектов или визуальных слоёв рамками. Она выполняет только первый этап: разложение изображения на отдельные прозрачные RGBA-слои требует чекпойнтов Stage 2. Карточка не сообщает размер модели, поддержку конкретных языков, длину контекста или лицензию.

Сценарии применения

  • создание общего описания изображения
  • поиск объектов на изображении с выдачей ограничивающих рамок
  • обнаружение визуальных слоёв для последующей декомпозиции
  • подготовка изображения для пайплайна SynLayers

Ограничения

Репозиторий содержит только Stage 1: для получения прозрачных RGBA-слоёв нужны отдельные чекпойнты Stage 2. Лицензия и поддерживаемые языки в предоставленных материалах не указаны.

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

SynLayers Bbox-Caption Model

This repository hosts the Stage 1 bbox-caption model for SynLayers.

Given an input image, the model predicts:

  • a whole-image caption
  • bounding boxes for visible objects or layers

This repository is only for the Stage 1 detector. The full SynLayers system has two stages:

  1. bbox + whole-caption prediction from this repo
  2. layer decomposition into transparent RGBA outputs using the Stage 2 checkpoints

For the complete demo, please use our public Space: SynLayers/synlayers

For the Stage 2 decomposition checkpoints and runtime assets, please see: SynLayers/synlayers

This repo is not intended to be loaded as a generic DiffusionPipeline(prompt) model. If you only want the Stage 1 model, you can load it with transformers:

from transformers import AutoProcessor, Qwen3VLForConditionalGeneration

model = Qwen3VLForConditionalGeneration.from_pretrained(
    "SynLayers/Bbox-caption-8b",
    torch_dtype="auto",
    device_map="auto",
)
processor = AutoProcessor.from_pretrained("SynLayers/Bbox-caption-8b")

This repository also includes lightweight inference helpers under demo/infer/. To run whole-caption and bbox inference on a folder of images:

python demo/infer/run_caption_bbox_infer.py \
  --model SynLayers/Bbox-caption-8b \
  --data-dir /path/to/images \
  --output outputs/caption_bbox_infer.jsonl \
  --vis-dir outputs/bbox_vis

For more details, please check our paper: https://arxiv.org/abs/2605.15167

If you find our work useful, please consider citing:

@article{wu2026does,
  title={Does Synthetic Layered Design Data Benefit Layered Design Decomposition?},
  author={Wu, Kam Man and Yang, Haolin and Chen, Qingyu and Tang, Yihu and Chen, Jingye and Chen, Qifeng},
  journal={arXiv preprint arXiv:2605.15167},
  year={2026}
}

Thanks for trying SynLayers.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
ab4b9b3

0 моделей