/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
17 ГБ
Лицензия
Apache 2.0
Архитектура
centurio · dense
Базовая модель
Qwen2.5-7B-Instruct
Библиотека
transformers
Опубликована
18 дек 2024

centurio_qwen

Генерация текстаТекст → текст3 профессии

Centurio — мультиязычная визуально-языковая модель на основе Qwen2.5-7B и SigLIP для диалога и ответов по одному или нескольким изображениям.

862скачиваний за 30 дней9лайковвеса обновлены10 янв 2025

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

Centurio — открытая мультиязычная визуально-языковая модель, разработанная командой проекта Centurio. Она объединяет языковую модель Qwen2.5-7B-Instruct и визуальный энкодер timm/ViT-SO400M-14-SigLIP-384. Модель предназначена для диалога и генерации текста по изображениям; поддерживает ввод нескольких изображений и работу через библиотеку transformers с пользовательским кодом.

Модель обучалась на 100 языках, включая русский. Её можно применять для вопросов об изображениях, описания визуального содержимого и мультиязычного общения с визуальным контекстом. Выпущена под лицензией Apache 2.0.

Это исследовательский проект, не рекомендованный авторами для производственного использования. Возможны галлюцинации и смещения; качество заметно различается между языками. Модель испытывает трудности с мелким текстом и OCR на нелатинских письменностях.

Сценарии применения

  • ответы на вопросы о содержимом изображения
  • описание изображений на разных языках
  • диалог с визуальным контекстом
  • анализ нескольких изображений в одном запросе
  • извлечение крупного текста с изображения

Ограничения

Модель может галлюцинировать, отражать смещения обучающих данных и показывать неодинаковое качество на разных языках. Она плохо распознаёт мелкий текст и текст нелатинскими письменностями; авторы не рекомендуют её для производственного применения.

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

Centurio Qwen

Model Details

Model Description

  • Model type: Centurio is an open-source multilingual large vision-language model.
  • Training Data: COMING SOON
  • Languages: The model was trained with the following 100 languages: af, am, ar, ar-eg, as, azb, be, bg, bm, bn, bo, bs, ca, ceb, cs, cy, da, de, du, el, en, eo, es, et, eu, fa, fi, fr, ga, gd, gl, ha, hi, hr, ht, hu, id, ig, is, it, iw, ja, jv, ka, ki, kk, km, ko, la, lb, ln, lo, lt, lv, mi, mr, ms, mt, my, no, oc, pa, pl, pt, qu, ro, ru, sa, sc, sd, sg, sk, sl, sm, so, sq, sr, ss, sv, sw, ta, te, th, ti, tl, tn, tpi, tr, ts, tw, uk, ur, uz, vi, war, wo, xh, yo, zh, zu
  • License: This work is released under the Apache 2.0 license.

Model Sources

Uses

Direct Use

The model can be used directly through the transformers library with our custom code.

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

url = "https://upload.wikimedia.org/wikipedia/commons/b/bd/Golden_Retriever_Dukedestiny01_drvd.jpg"
image = Image.open(requests.get(url, stream=True).raw)

model_name = "WueNLP/centurio_qwen"

processor = AutoProcessor.from_pretrained(model_name, trust_remote_code=True)

## Appearance of images in the prompt are indicates with '<image_placeholder>'!
prompt = "<image_placeholder>\nBriefly describe the image in German."

messages = [
    {"role": "system", "content": "You are a helpful assistant."},  # This is the system prompt used during our training.
    {"role": "user", "content": prompt}
]

text = processor.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

model = AutoModelForCausalLM.from_pretrained(
    model_name,
    trust_remote_code=True
)

model_inputs = processor(text=[text], images=[image] return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=128
)

generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(model_inputs.input_ids, generated_ids)
]

response = processor.batch_decode(generated_ids, skip_special_tokens=True)[0]

Multiple Images

We natively support multi-image inputs. You only have to 1) include more <image_placeholder> while 2) passing all images of the entire batch as a flat list:

[...]
# Variables reused from above.

processor.tokenizer.padding_side = "left" # default is 'right' but has to be 'left' for batched generation to work correctly!

image_multi_1, image_multi_2 = [...] # prepare additional images

prompt_multi = "What is the difference between the following images?\n<image_placeholder><image_placeholder>\nAnswer in German."

messages_multi = [
    {"role": "system", "content": "You are a helpful assistant."}, 
    {"role": "user", "content": prompt_multi}
]

text_multi = processor.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

model_inputs = processor(text=[text, text_multi], images=[image, image_multi_1, image_multi_2] return_tensors="pt").to(model.device)

generated_ids = model.generate(
    **model_inputs,
    max_new_tokens=128
)

[...]

Bias, Risks, and Limitations

  • General biases, risks, and limitations of large vision-language models like hallucinations or biases from training data apply.
  • This is a research project and not recommended for production use.
  • Multilingual: Performance and generation quality can differ widely between languages.
  • OCR: Model struggles both with small text and writing in non-Latin scripts.

Citation

BibTeX:

@article{centurio2025,
  author       = {Gregor Geigle and
                  Florian Schneider and
                  Carolin Holtermann and
                  Chris Biemann and
                  Radu Timofte and
                  Anne Lauscher and
                  Goran Glava\v{s}},
  title        = {Centurio: On Drivers of Multilingual Ability of Large Vision-Language Model},
  journal      = {arXiv},
  volume       = {abs/2501.05122},
  year         = {2025},
  url          = {https://arxiv.org/abs/2501.05122},
  eprinttype    = {arXiv},
  eprint       = {2501.05122},
}

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
CenturioForConditionalGeneration
Ревизия весов
bf6617e

0 моделей