/ Модель

Характеристики

Лицензия
MIT
Библиотека
nanovlm
Опубликована
16 июл 2026

nanoVLM-HuggingFaceTB-SmolLM2-135M-google-siglip-base-patch16-224-v1.2

Изображение и текст → текст

Компактная VLM на 222 млн параметров, которая отвечает текстом на запросы об изображениях и подходит для экспериментов.

8скачиваний за 30 дней0лайковвеса обновлены17 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

nanoVLM — компактная мультимодальная модель для работы с изображениями и текстом, предназначенная для эффективного обучения и экспериментов. Она объединяет визуальный энкодер ViT на базе SigLIP-B/16-224 с причинной языковой моделью SmolLM2-135M; общий размер составляет 222 млн параметров. Архитектура и логика обучения реализованы на PyTorch.

Модель принимает изображение вместе с текстовым запросом и формирует текстовый ответ, поэтому её можно применять для вопросов об изображениях и других задач визуально-языкового взаимодействия. Карточка не приводит сведений о поддерживаемых естественных языках, длине контекста или оценках качества. Модель распространяется по лицензии MIT.

Сценарии применения

  • ответы на вопросы по изображению
  • описание содержимого изображения
  • эксперименты с обучением компактных VLM

Ограничения

Карточка не сообщает о поддерживаемых языках, длине контекста и результатах оценки качества. Модель компактна и описана как предназначенная для обучения и экспериментов.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

nanoVLM is a minimal and lightweight Vision-Language Model (VLM) designed for efficient training and experimentation. Built using pure PyTorch, the entire model architecture and training logic fits within ~750 lines of code. It combines a ViT-based image encoder (SigLIP-B/16-224-85M) with a lightweight causal language model (SmolLM2-135M), resulting in a compact 222M parameter model.

For more information, check out the base model on https://huggingface.co/lusxvr/nanoVLM-222M.

Usage:

Clone the nanoVLM repository: https://github.com/huggingface/nanoVLM. Follow the install instructions and run the following code:

from models.vision_language_model import VisionLanguageModel

model = VisionLanguageModel.from_pretrained("cultural-arts/nanoVLM-HuggingFaceTB-SmolLM2-135M-google-siglip-base-patch16-224-v1.2")

Как запустить

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

GPU в ailist

Универсальный рантайм · nanovlm

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов
a4a84a8

0 моделей