/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
12,8 млрд
Размер весов
32,1 ГБ
Архитектура
molmo · dense
Базовая модель
clip-vit-large-patch14-336
Библиотека
transformers
Опубликована
12 янв 2026

palmyra-vision-vllm

Генерация текстаТекст → текст13 профессий

Palmyra Vision — мультимодальная модель Writer для ответов на текстовые вопросы об изображениях, документах, диаграммах и инфографике.

212скачиваний за 30 дней0лайковвеса обновлены12 янв 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

Palmyra Vision — мультимодальная модель компании Writer для диалога о визуальных данных. Она принимает изображение вместе с текстовым запросом и формирует текстовый ответ: подходит для вопросов об изображениях, диаграммах, документах, инфографике и визуальных задачах на рассуждение. В README указано обучение на наборе PixMo из 1 млн пар изображение—текст; архитектура — плотная MolmoForCausalLM, размер по метаданным — 12,8 млрд параметров, контекст — 4096 токенов. Модель объединяет компоненты, связанные с Writer/Palmyra-Large и openai/clip-vit-large-patch14-336. Для обслуживания рекомендован vLLM; также описан запуск через Transformers.

В README приведены результаты на 11 академических тестах, включая ChartQA, DocQA, TextVQA и MathVista. Указано, что модель может испытывать трудности с прозрачными изображениями; для входных изображений может потребоваться формат RGB, а прозрачность рекомендуется предварительно заменить фоном. Метаданные указывают английский язык. Условия лицензии в предоставленных данных не приведены.

Сценарии применения

  • ответы на вопросы по содержимому изображения
  • извлечение и объяснение текста на документах и инфографике
  • анализ диаграмм и графиков по запросу
  • визуальные задачи на счёт и рассуждение
  • диалог с пользователем о загруженном изображении

Ограничения

Модель может хуже работать с прозрачными изображениями; README рекомендует подавать изображения в RGB и заменять прозрачный фон сплошным. Данные о лицензии в предоставленных материалах отсутствуют.

Для каких профессий подходит13

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Palmyra Vision 7B

Palmyra Vision is a multimodal model trained on PixMo, a dataset of 1 million high-quality image-text pairs.

Serving with vLLM (Recommended for Production)

The fastest way to deploy Palmyra Vision is using vLLM's Docker container:

docker run --rm \
    --gpus all \
    --shm-size=128g \
    -v /path/to/palmyra-vision:/model \
    -p 8000:8000 \
    --ipc=host \
    vllm/vllm-openai:latest \
    --model /model \
    --served-model-name palmyra-vision \
    --trust-remote-code \
    --tensor-parallel-size 1 \
    --max-model-len 4096 \
    --gpu-memory-utilization 0.90 \
    --dtype float16

Once running, the server exposes an OpenAI-compatible API:

# Text completion
curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "palmyra-vision",
    "messages": [
      {"role": "user", "content": "What is 2+2?"}
    ],
    "max_tokens": 50
  }'

# Vision/Image input
curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "palmyra-vision",
    "messages": [
      {
        "role": "user",
        "content": [
          {"type": "text", "text": "Describe this image."},
          {"type": "image_url", "image_url": {"url": "https://picsum.photos/id/237/400/300"}}
        ]
      }
    ],
    "max_tokens": 200
  }'

Multi-GPU Serving

For multi-GPU setups, adjust --tensor-parallel-size:

# 2 GPUs
--tensor-parallel-size 2

# 4 GPUs
--tensor-parallel-size 4

Quick Start (Python / Transformers)

To run Palmyra Vision with the transformers library, first install dependencies:

pip install einops torchvision

Then, follow these steps:

from transformers import AutoModelForCausalLM, AutoProcessor, GenerationConfig
from PIL import Image
import requests

# load the processor
processor = AutoProcessor.from_pretrained(
    'Writer/palmyra-vision',
    trust_remote_code=True,
    torch_dtype='auto',
    device_map='auto'
)

# load the model
model = AutoModelForCausalLM.from_pretrained(
    'Writer/palmyra-vision',
    trust_remote_code=True,
    torch_dtype='auto',
    device_map='auto'
)

# process the image and text
inputs = processor.process(
    images=[Image.open(requests.get("https://picsum.photos/id/237/536/354", stream=True).raw)],
    text="Describe this image."
)

# move inputs to the correct device and make a batch of size 1
inputs = {k: v.to(model.device).unsqueeze(0) for k, v in inputs.items()}

# generate output; maximum 200 new tokens; stop generation when <|endoftext|> is generated
output = model.generate_from_batch(
    inputs,
    GenerationConfig(max_new_tokens=200, stop_strings="<|endoftext|>"),
    tokenizer=processor.tokenizer
)

# only get generated tokens; decode them to text
generated_tokens = output[0,inputs['input_ids'].size(1):]
generated_text = processor.tokenizer.decode(generated_tokens, skip_special_tokens=True)

# print the generated text
print(generated_text)

# >>>  This image features an adorable black Labrador puppy, captured from a top-down
#      perspective. The puppy is sitting on a wooden deck, which is composed ...

To make inference more efficient, run with autocast:

with torch.autocast(device_type="cuda", enabled=True, dtype=torch.bfloat16):
  output = model.generate_from_batch(
      inputs,
      GenerationConfig(max_new_tokens=200, stop_strings="<|endoftext|>"),
      tokenizer=processor.tokenizer
  )

We did most of our evaluation in this setting (autocast on, but float32 weights)

To even further reduce the memory requirements, the model can be run with bfloat16 weights:

model.to(dtype=torch.bfloat16)
inputs["images"] = inputs["images"].to(torch.bfloat16)
output = model.generate_from_batch(
    inputs,
    GenerationConfig(max_new_tokens=200, stop_strings="<|endoftext|>"),
    tokenizer=processor.tokenizer
)

Note that we have observed that this can change the output of the model compared to running with float32 weights.

Evaluations

ModelAverage Score on 11 Academic BenchmarksHuman Preference Elo Rating
Palmyra Vision (this model)78.31056
GPT-4o78.51079
GPT-4V71.11041
Gemini 1.5 Pro78.31074
Gemini 1.5 Flash75.11054
Claude 3.5 Sonnet76.71069
Claude 3 Opus66.4971
Claude 3 Haiku65.3999
Qwen VL2 72B79.41037
Qwen VL2 7B73.71025
Intern VL2 LLAMA 76B77.11018
Intern VL2 8B69.4953
Pixtral 12B69.51016
Phi3.5-Vision 4B59.7982
PaliGemma 3B50.0937
LLAVA OneVision 72B76.61051
LLAVA OneVision 7B72.01024
Cambrian-1 34B66.8953
Cambrian-1 8B63.4952
xGen - MM - Interleave 4B59.5979
LLAVA-1.5 13B43.9960
LLAVA-1.5 7B40.7951

Benchmarks: AI2D test, ChartQA test, VQA v2.0 test, DocQA test, InfographicVQA test, TextVQA val, RealWorldQA, MMMU val, MathVista testmini, CountBenchQA, Flickr Count (we collected this new dataset that is significantly harder than CountBenchQA).

FAQs

I'm getting an error a broadcast error when processing images!

Your image might not be in RGB format. You can convert it using the following code snippet:

from PIL import Image

image = Image.open(...)

if image.mode != "RGB":
    image = image.convert("RGB")

Palmyra Vision doesn't work great with transparent images!

We received reports that Palmyra Vision models might struggle with transparent images. For the time being, we recommend adding a white or dark background to your images before passing them to the model. The code snippet below shows how to do this using the Python Imaging Library (PIL):


# Load the image
url = "..."
image = Image.open(requests.get(url, stream=True).raw)

# Convert the image to grayscale to calculate brightness
gray_image = image.convert('L')  # Convert to grayscale

# Calculate the average brightness
stat = ImageStat.Stat(gray_image)
average_brightness = stat.mean[0]  # Get the average value

# Define background color based on brightness (threshold can be adjusted)
bg_color = (0, 0, 0) if average_brightness > 127 else (255, 255, 255)

# Create a new image with the same size as the original, filled with the background color
new_image = Image.new('RGB', image.size, bg_color)

# Paste the original image on top of the background (use image as a mask if needed)
new_image.paste(image, (0, 0), image if image.mode == 'RGBA' else None)

# Now you can pass the new_image to Palmyra Vision
processor = AutoProcessor.from_pretrained(
    'Writer/palmyra-vision',
    trust_remote_code=True,
    torch_dtype='auto',
    device_map='auto'
)

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
MolmoForCausalLM
Ревизия весов
d36abb0

0 моделей