Uploaded finetuned model
- Developed by: elprofessor67
- License: apache-2.0
- Finetuned from model : elprofessor67/om-logistics-pod-v8-beta-8b
This qwen3_vl model was trained 2x faster with Unsloth and Huggingface's TRL library.
Характеристики
- Контекст
- 262 144 токена
- Размер весов
- 17,5 ГБ
- Лицензия
- Apache 2.0
- Архитектура
- qwen3_vl · dense
- Базовая модель
- om-logistics-pod-v8-beta-8b
- Опубликована
- 3 сен 2026
Ссылки
om-logistics-pod-new-v0
Изображение и текст → текст7 профессий
Дообученная модель Qwen3-VL для диалоговых задач с изображениями и текстовыми запросами.
97скачиваний за 30 дней0лайковвеса обновлены3 сен 2026
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.
Добавьте модель в бенчмарк
Вместе с другими моделями категории «Изображение → текст» — сравнение идёт внутри одной категории.
Опишите свои задачи
Напишите запросы, при необходимости приложите файлы и эталонные ответы.
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
elprofessor67/om-logistics-pod-new-v0 — дообученная мультимодальная модель семейства Qwen3-VL, разработанная elprofessor67 на базе elprofessor67/om-logistics-pod-v8-beta-8b. Модель принимает текст и изображения и предназначена для диалоговых задач формата image-text-to-text, в том числе анализа изображений в запросах на естественном языке.
Модель представлена в формате Safetensors и распространяется по лицензии Apache-2.0. В карточке указано, что обучение выполнялось с использованием Unsloth и библиотеки TRL. Специализированная область, размер модели и длина контекста в доступных сведениях не приведены.
Сценарии применения
- Ответы на вопросы о содержимом изображения
- Описание объектов и сцен на изображениях
- Диалог по загруженному изображению
- Извлечение визуальной информации по текстовому запросу
Ограничения
Карточка не описывает конкретные возможности, метрики качества или ограничения дообученной версии; пригодность для специализированных сценариев следует оценивать отдельно.
Для каких профессий подходит7
Разделы каталога профессий, в задачах которых используется эта модель
IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделейI.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модельIV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934моделиI.4Универсальные способностиОбработка документов и формAI помогает оцифровывать документы, проверять их комплектность и сокращать ручной ввод данных.16 задач7 180моделей
Также подходит для
Карточка модели
README от автора на Hugging Face, как он его опубликовал
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Подбираем GPU…
- Класс архитектуры
- Qwen3VLForConditionalGeneration
- Ревизия весов
- e88ba7c