/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
transformers
Опубликована
18 июн 2026

elliot-ov2-sft-9k

Изображение и текст → текст10 профессий

Двухмиллиардный vision-language чекпойнт ElliotVL для ответов на вопросы по изображениям, распознавания текста и визуального анализа.

8скачиваний за 30 дней1лайквеса обновлены30 авг 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

Elliot OV2 SFT 9k — исследовательский vision-language чекпойнт ElliotVL, экспортированный из 9-тысячного шага обучения Megatron в формат Hugging Face. Модель содержит 2 млрд параметров: языковая башня основана на Qwen3.5-2B с гибридным полным и линейным вниманием, а визуальная — на SigLIP2 NaViT с поддержкой изображений исходного разрешения.

Модель принимает изображения вместе с текстовыми запросами и формирует текстовые ответы. Она предназначена для диалога по изображениям, распознавания текста на изображениях и документов, визуальных вопросов и ответов, а также анализа диаграмм и графиков. В README приведены результаты оценки на OCRBench, RealWorldQA и других наборах; автор отдельно указывает ограничения сопоставимости некоторых бенчмарков и особенности их подсчёта.

Для запуска требуется Transformers 5.8.0.dev0, а также PyTorch, Pillow, Accelerate и Safetensors; в репозитории представлены веса safetensors, процессор, шаблон чата и модули удалённого кода. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования следует сверить с карточкой модели.

Сценарии применения

  • распознавание текста на фотографиях и скриншотах
  • извлечение информации из изображений документов
  • ответы на вопросы по содержимому изображения
  • анализ диаграмм и графиков по текстовому запросу
  • диалоговый разбор визуальных сцен

Ограничения

Для запуска требуется Transformers 5.8.0.dev0; обычной стабильной версии может быть недостаточно. README отмечает, что некоторые результаты математических бенчмарков получены локальным подсчётом без LLM-судьи и несопоставимы с опубликованными оценками.

Для каких профессий подходит10

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

Elliot OV2 SFT 9k

ElliotVL vision-language checkpoint, exported to standard Hugging Face format from the 9k-step Megatron checkpoint.

Parameters2B
Language towerQwen3.5-2B (hybrid full + linear-attention, model_type: qwen3_5_text in this checkpoint's own config.json)
Vision towerSigLIP2 NaViT (native-resolution)
PrecisionBF16 / F32
TaskImage-Text-to-Text
Loadingrequires trust_remote_code=True

Benchmarks

All ElliotVL numbers below were measured on this checkpoint with VLMEvalKit in no-think mode.

BenchmarkElliot OV2 SFT 9kQwen2.5-VL-3BQwen3-VL-2BQwen3.5-2B (no-think)InternVL3.5-2B
OCRBench78.00(79.2)(85.8)83.30*(83.6)
OCRBench v2 (avg / En / Zh)24.42 / 30.07 / 18.7636.82* / 34.48 / 39.1641.18* / 43.54 / 38.82––
RealWorldQA66.01(60.0)(63.9)68.76*(62.0)
MMBench DEV_EN_V1.175.1576.63* (78.0)(78.4)73.14*(76.6)
MME perception1510.061579.33*1508.94*1587.27*(sum 2123.3)
MME cognition451.43603.57*488.57*548.57*(sum 2123.3)
MME-RealWorld EN57.22(51.6)44.19*30.89*(49.7)
MMStar54.47(55.9)(58.3)50.53*(62.7)
AI2D78.40(78.6 / 90.7)(76.9)78.11*(78.8 / 89.1)
ChartQA TEST68.84 raw · 83.72 format-audited(83.4)78.36* (79.1)78.56*(80.7)
HallusionBench (aAcc / qAcc)60.46 / 35.8260.67* / 34.95*61.83* / 36.04* (51.4)67.61* / 44.62*(avg 48.6)
MMMU DEV_VAL43.2248.78* val / 50.00* dev (53.1 Qwen; 46.4 LLaVA)41.67* val / 46.00* dev (53.4)33.78* val / 37.33* dev(59.0)
TextVQA VAL79.6579.25*79.72*79.15*(76.5)
DocVQA VAL90.31––92.53*–
SEEDBench IMG75.48(74.8)74.89*75.77*–
SEED-2 Plus65.3968.95*67.59*–(68.0)
MathVista MINI †60.40––––
MathVerse MINI †25.69––––
MathVision †19.97––––

* reproduced by us · (parentheses) value reported by the model's authors or a third party · – not measured.

Read the numbers with these caveats:

  • † Math rows are not official scores. They come from a local exact-match scorer with the judge API disabled, so they are not comparable to published MathVista/MathVerse/MathVision figures, which use an LLM judge.
  • ChartQA is reported twice. 68.84 is the raw VLMEvalKit relaxed-accuracy result. Its non-numeric answers require an exact string match, and a format audit found many otherwise-correct predictions carrying trailing punctuation or units; normalising those conservatively gives 83.72. The raw number is the one to compare against other raw numbers.
  • MME is split into perception and cognition (VLMEvalKit labels the latter reasoning in its raw CSV). InternVL3.5 reports only a sum, so its cells are not split.
  • OCRBench for Qwen3-VL is normalised from the reported 858 to 85.8.
  • MMMU reruns use an answer-only prompt; earlier exact-match values were invalid because the prompt produced long truncated explanations.
  • DocVQA official reports are on the test split; VAL and TEST are different rows and are not interchangeable.
  • CharXiv RQ/DQ were not run — they require a judge API that was disabled.

Usage

Requires Transformers 5.8.0.dev0 (development build from GitHub), plus torch, pillow, accelerate, safetensors.

from transformers import AutoModelForCausalLM, AutoProcessor

model = AutoModelForCausalLM.from_pretrained(
    "elliot-mllm/elliot-ov2-sft-9k", trust_remote_code=True, torch_dtype="bfloat16")
processor = AutoProcessor.from_pretrained(
    "elliot-mllm/elliot-ov2-sft-9k", trust_remote_code=True)

Text-only prompt:

prompt = (
    "<|im_start|>system\nYou are a helpful assistant.<|im_end|>\n"
    "<|im_start|>user\nAnswer briefly: what is a checkpoint?<|im_end|>\n"
    "<|im_start|>assistant\n<think>\n\n</think>\n\n"
)

For multimodal prompts, include one <image> placeholder in the user text per image passed to the processor.

Repository contents

  • config.json with auto_map entries for AutoConfig, AutoModelForCausalLM and AutoProcessor
  • Sharded safetensors weights with model.safetensors.index.json
  • Tokenizer, processor, image processor, chat template and remote-code modules

Export validation

CheckResult
Loaded tensors761
Missing HF tensors0
Missing Megatron tensors0
Shape mismatches0

This is a research checkpoint.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Доступ к модели ограничен автором; у платформы нет доступа к весам.

Ревизия весов
f66ec3b

0 моделей