Компактная визуально-языковая модель VLAA на базе Qwen2VL для диалоговых запросов и генерации ответов по изображениям.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.
Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.
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.
Описание составлено по карточке модели и метаданным Hugging Face
VLAA-Thinker-Qwen2VL-2B — компактная модель компьютерного зрения и языка, разработанная проектом VLAA на архитектуре Qwen2VL. Она принимает изображения вместе с текстовыми запросами и генерирует текстовые ответы; модель предназначена для диалоговых сценариев с визуальными данными и рассуждений по изображениям.
Модель содержит 1,5 млрд параметров, использует архитектуру Qwen2VL и рассчитана на контекст до 32 768 токенов. Репозиторий содержит веса в формате safetensors, модель работает через Transformers и поддерживает чат с изображениями. В README модель связывается с исследованием раннего обучения рассуждающих визуально-языковых моделей по подходу R1.
Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но некоммерческое. Подробные сведения о поддерживаемых языках и точности на отдельных задачах в предоставленных материалах отсутствуют.
В предоставленных материалах не приведены результаты бенчмарков и подробности языковой поддержки. Лицензия CC BY-NC 4.0 ограничивает использование некоммерческими целями.
Разделы каталога профессий, в задачах которых используется эта модель
README от автора на Hugging Face, как он его опубликовал
This model is a vision-language model based on the Qwen2VL architecture, as described in the paper SFT or RL? An Early Investigation into Training R1-Like Reasoning Large Vision-Language Models. It takes both image and text as input and generates text as output.
Project Page: https://ucsc-vlaa.github.io/VLAA-Thinking/
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · transformers
Подбираем GPU…