/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
7,1 млрд
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-7B-Instruct
Библиотека
transformers
Опубликована
22 мар 2026

Qwen2.5-VL-7B-fp8-Abliterated-Caption-it

Изображение и текст → текст

Дообученная мультимодальная модель Qwen2.5-VL для подробного описания изображений, в том числе чувствительного и художественного содержания.

103скачиваний за 30 дней0лайковвеса обновлены22 мар 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.

  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

falacal/Qwen2.5-VL-7B-fp8-Abliterated-Caption-it — дообученная модель на архитектуре Qwen2.5-VL-7B-Instruct, созданная для подробного описания изображений. Она принимает изображения и текстовые инструкции и генерирует развёрнутые подписи, включая описания сложного, чувствительного и художественного содержания. Модель рассчитана на изображения с разными пропорциями и разрешениями; может формировать как краткие сводки, так и детальные описания. В основе — мультимодальная плотная архитектура Qwen2.5-VL с 7,1 млрд параметров и контекстом до 128 000 токенов; основным языком вывода README называет английский, также заявлена поддержка многоязычных описаний. Модель основана на Qwen/Qwen2.5-VL-7B-Instruct и лицензирована Apache-2.0.

Модель полезна для подготовки подписей к визуальным наборам данных, творческих сценариев и исследований безопасности, включая red-teaming. Она способна выдавать явные, чувствительные или оскорбительные описания и не подходит для систем, которым необходимы встроенная фильтрация контента или модерация. Точность на незнакомых и синтетических стилях может снижаться, а тон и стиль подписи зависят от формулировки запроса.

Сценарии применения

  • создание подробных подписей к изображениям
  • описание художественных и стилизованных изображений
  • генерация подписей для визуальных наборов данных
  • исследование устойчивости контентных фильтров
  • подготовка описаний изображений для творческих приложений

Ограничения

Модель может генерировать явные, чувствительные или оскорбительные описания и не подходит для развёртывания без дополнительной модерации. Точность на незнакомых или синтетических стилях может быть ниже, а тон результата зависит от формулировки запроса.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

1.png

Qwen2.5-VL-7B-Abliterated-Caption-it

The Qwen2.5-VL-7B-Abliterated-Caption-it model is a fine-tuned version of Qwen2.5-VL-7B-Instruct, tailored for Abliterated Captioning / Uncensored Image Captioning. This variant is designed to generate highly detailed and descriptive captions across a broad range of visual categories, including images with complex, sensitive, or nuanced content—across varying aspect ratios and resolutions.

Key Highlights

  • Abliterated / Uncensored Captioning: Fine-tuned to bypass common content filters while preserving factual and descriptive richness across diverse visual categories.

  • High-Fidelity Descriptions: Generates comprehensive captions for general, artistic, technical, abstract, and low-context images.

  • Robust Across Aspect Ratios: Capable of accurately captioning images with wide, tall, square, and irregular dimensions.

  • Variational Detail Control: Produces outputs with both high-level summaries and fine-grained descriptions as needed.

  • Foundation on Qwen2.5-VL Architecture: Leverages the strengths of the Qwen2.5-VL-7B multimodal model for visual reasoning, comprehension, and instruction-following.

  • Multilingual Output Capability: Can support multilingual descriptions (English as default), adaptable via prompt engineering.

Training Details

This model was fine-tuned using the following datasets:

The training objective focused on enhancing performance in unconstrained, descriptive image captioning—especially for edge cases commonly filtered out in standard captioning benchmarks.

Quick Start with Transformers

[!note] Instruction Query: Provide a detailed caption for the image

from transformers import Qwen2_5_VLForConditionalGeneration, AutoTokenizer, AutoProcessor
from qwen_vl_utils import process_vision_info

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "prithivMLmods/Qwen2.5-VL-7B-Abliterated-Caption-it", torch_dtype="auto", device_map="auto"
)

processor = AutoProcessor.from_pretrained("prithivMLmods/Qwen2.5-VL-7B-Abliterated-Caption-it")

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 in detail."},
        ],
    }
]

text = processor.apply_chat_template(
    messages, tokenize=False, add_generation_prompt=True
)
image_inputs, video_inputs = process_vision_info(messages)
inputs = processor(
    text=[text],
    images=image_inputs,
    videos=video_inputs,
    padding=True,
    return_tensors="pt",
)
inputs = inputs.to("cuda")

generated_ids = model.generate(**inputs, max_new_tokens=128)
generated_ids_trimmed = [
    out_ids[len(in_ids):] for in_ids, out_ids in zip(inputs.input_ids, generated_ids)
]
output_text = processor.batch_decode(
    generated_ids_trimmed, skip_special_tokens=True, clean_up_tokenization_spaces=False
)
print(output_text)

Intended Use

This model is suited for:

  • Generating detailed and unfiltered image captions for general-purpose or artistic datasets.
  • Content moderation research, red-teaming, and generative safety evaluations.
  • Enabling descriptive captioning for visual datasets typically excluded from mainstream models.
  • Use in creative applications (e.g., storytelling, art generation) that benefit from rich descriptive captions.
  • Captioning for non-standard aspect ratios and stylized visual content.

Limitations

  • May produce explicit, sensitive, or offensive descriptions depending on image content and prompts.
  • Not suitable for deployment in production systems requiring content filtering or moderation.
  • Can exhibit variability in caption tone or style depending on input prompt phrasing.
  • Accuracy for unfamiliar or synthetic visual styles may vary.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen2_5_VLForConditionalGeneration
Ревизия весов
f6ed062

0 моделей