/ Модель

Характеристики

Размер весов
3,3 ГБ
Архитектура
modrwkv · dense
Библиотека
transformers
Опубликована
13 июл 2026

rwkv-vl-1.5v100m-finevisionmax

Изображение и текст → текст

Мультимодальная RWKV-7 VL модель для ответов на вопросы по изображениям, диаграммам и учебным иллюстрациям.

19скачиваний за 30 дней0лайковвеса обновлены13 июл 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

ZoomFly/rwkv-vl-1.5v100m-finevisionmax — мультимодальная модель семейства RWKV-7 VL для диалога по изображениям и генерации текстовых ответов на визуальные вопросы. Карточка приводит результаты на AI2D и ChartQA, включая вопросы по диаграммам и учебным иллюстрациям; модель также рассчитана на визуальное чтение и подсчёт объектов. Архитектура — плотная RWKV7VLForConditionalGeneration, размер — около 1,65 млрд параметров, длина контекста — 8 192 токена. Принимает изображения и текст, выдаёт текст; в метаданных указан английский язык.

Для загрузки требуются Transformers с custom code, Flash Linear Attention и совместимая с CUDA сборка PyTorch; параметр trust_remote_code=True позволяет выполнять код из репозитория. В README отмечены ошибки визуального чтения, подсчёта и арифметики, а оценка TextVQA выполнена на сокращённой выборке и не сопоставима с результатами на полном наборе. README называет модель исследовательским чекпойнтом; сведения о лицензии не приведены, издателю предлагается добавить подходящие лицензии модели и данных.

Сценарии применения

  • ответы на вопросы по учебным схемам и иллюстрациям
  • извлечение и интерпретация данных из диаграмм
  • визуальные вопросы и ответы по изображениям
  • чтение текста на изображениях
  • подсчёт объектов на изображении

Ограничения

Модель может ошибаться при визуальном чтении, подсчёте и арифметике; TextVQA оценивалась на сокращённой выборке. Для загрузки требуется доверенное выполнение custom code, а лицензии модели и данных в карточке не определены.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RWKV-VL 1.5B-v100M FineVisionMax

Evaluation

Evaluated with lmms-eval commit 8e2e7026, greedy decoding, and no dataset limit. TextVQA uses the 500-example textvqa_val_lite configuration; the other benchmarks use their complete test sets.

BenchmarkMetricSamplesScore
AI2DExact match3,08857.38%
ChartQARelaxed overall2,50074.80%
ChartQA HumanRelaxed accuracy1,25057.92%
ChartQA AugmentedRelaxed accuracy1,25091.68%
MMECognition260377.50
MMEPerception2,1141258.31
MMETotal2,3741635.81
TextVQA Val LiteVQA consensus50071.30%

MME values are category-aggregated point totals rather than percentages.

Quick Start

The model uses custom code and Flash Linear Attention. Install a PyTorch build compatible with your CUDA environment, then install:

pip install "transformers==5.8.0" "accelerate==1.13.0" \
  "flash-linear-attention==0.5.0" pillow
import torch
from transformers import AutoModelForImageTextToText, AutoProcessor

model_id = "ZoomFly/rwkv-vl-1.5v100m-finevisionmax"

processor = AutoProcessor.from_pretrained(
    model_id,
    trust_remote_code=True,
)
model = AutoModelForImageTextToText.from_pretrained(
    model_id,
    trust_remote_code=True,
    dtype=torch.bfloat16,
    device_map="auto",
).eval()

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."},
        ],
    }
]

inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

with torch.inference_mode():
    output_ids = model.generate(
        **inputs,
        max_new_tokens=256,
        do_sample=False,
    )

generated_ids = output_ids[:, inputs.input_ids.shape[1] :]
answer = processor.batch_decode(
    generated_ids,
    skip_special_tokens=True,
    clean_up_tokenization_spaces=False,
)[0]
print(answer)

Model Configuration

SettingValue
Parameters1,653,177,600
Weight dtypeBF16
Context length8,192
Vocabulary size65,536
Image pixel budget65,536 to 3,145,728 pixels per sample
BOS / PAD token ID0
EOS token IDs10060 and 0

Notes

  • trust_remote_code=True is required. Review the bundled Python files before loading code from an untrusted source.
  • The model may emit an empty <think>...</think> block before its final answer.
  • This is a research checkpoint and can make visual-reading, counting, and arithmetic errors.
  • AI2D is an in-domain benchmark for this checkpoint. TextVQA Val Lite is not comparable to evaluations on the full TextVQA validation set.
  • The publisher should review and add the appropriate model and data licenses before public release.

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
RWKV7VLForConditionalGeneration
Ревизия весов
1357da8

0 моделей