/ Модель

Характеристики

Контекст
16 384 токена
Архитектура
smolvlm · dense
Базовая модель
SmolVLM2-2.2B-Instruct
Библиотека
transformers
Опубликована
21 авг 2025

SmolVLM2-2.2B-Instruct

Изображение и текст → текст3 профессии

Дообученная мультимодальная SmolVLM2 для ответов на текстовые запросы по изображениям и диалогового взаимодействия.

50скачиваний за 30 дней0лайковвеса обновлены21 авг 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

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

davanstrien/SmolVLM2-2.2B-Instruct — дообученная с помощью TRL версия мультимодальной модели HuggingFaceTB/SmolVLM2-2.2B-Instruct. Это плотная модель семейства SmolVLM с поддержкой диалогов и обработки изображений; карточка также описывает её как модель для генерации ответов на текстовые запросы. Основной сценарий — ответы на вопросы по изображениям и ведение диалога с визуальным контекстом.

Модель предназначена для мультимодальных запросов, где пользователь передаёт изображение и текстовую инструкцию, а модель формирует текстовый ответ. В README приведён пример текстового диалога, но отдельные характеристики обучения и оценки качества этой версии не раскрыты. Доступные веса представлены в формате safetensors; используется библиотека Transformers. Лицензия, размер параметров и длина контекста в предоставленных данных не указаны.

Сценарии применения

  • ответы на вопросы по изображению
  • описание содержимого фотографии
  • диалог с визуальным контекстом

Ограничения

В предоставленной карточке нет оценок качества и подробностей обучения этой версии; результативность конкретных сценариев не подтверждена. Языки, размер параметров, длина контекста и лицензия в доступных данных не приведены.

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

Model Card for SmolVLM2-2.2B-Instruct

This model is a fine-tuned version of HuggingFaceTB/SmolVLM2-2.2B-Instruct. It has been trained using TRL.

Quick start

from transformers import pipeline

question = "If you had a time machine, but could only go to the past or the future once and never return, which would you choose and why?"
generator = pipeline("text-generation", model="davanstrien/SmolVLM2-2.2B-Instruct", device="cuda")
output = generator([{"role": "user", "content": question}], max_new_tokens=128, return_full_text=False)[0]
print(output["generated_text"])

Training procedure

This model was trained with GRPO, a method introduced in DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models.

Framework versions

  • TRL: 0.22.0.dev0
  • Transformers: 4.55.3
  • Pytorch: 2.8.0
  • Datasets: 4.0.0
  • Tokenizers: 0.21.4

Citations

Cite GRPO as:

@article{zhihong2024deepseekmath,
    title        = {{DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models}},
    author       = {Zhihong Shao and Peiyi Wang and Qihao Zhu and Runxin Xu and Junxiao Song and Mingchuan Zhang and Y. K. Li and Y. Wu and Daya Guo},
    year         = 2024,
    eprint       = {arXiv:2402.03300},
}

Cite TRL as:

@misc{vonwerra2022trl,
	title        = {{TRL: Transformer Reinforcement Learning}},
	author       = {Leandro von Werra and Younes Belkada and Lewis Tunstall and Edward Beeching and Tristan Thrush and Nathan Lambert and Shengyi Huang and Kashif Rasul and Quentin Gallou{\'e}dec},
	year         = 2020,
	journal      = {GitHub repository},
	publisher    = {GitHub},
	howpublished = {\url{https://github.com/huggingface/trl}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
SmolVLMForConditionalGeneration
Ревизия весов
103dcc2

0 моделей