/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
9,7 ГБ
Архитектура
samtok_composite · dense
Библиотека
transformers
Опубликована
5 июл 2026

SAMTok-self-contained

Изображение и текст → текст3 профессии

Составная модель Qwen3-VL и SAMTok для диалоговой обработки изображений и задач компьютерного зрения.

19скачиваний за 30 дней1лайквеса обновлены5 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

Qwen3-VL-4B-SAMTok Composite — самодостаточная составная модель с кодом для Transformers, объединяющая Qwen3-VL и декодер масок SAMTok VQ-SAM2. Репозиторий содержит веса Qwen3-VL, декодер SAMTok и контрольную точку энкодера изображений SAM2.1 Hiera Large; заявленная архитектура — составная SAMTokCompositeModel, а формат весов — safetensors.

Модель предназначена для диалоговой работы с изображениями и задач зрения; README указывает, что она принимает обычные вызовы Qwen3-VL. Метаданные классифицируют её как image-text-to-text и отмечают поддержку чата и зрения. Лицензия и поддерживаемые языки не приведены в доступных сведениях, поэтому их нельзя уточнить.

Сценарии применения

  • ответы на вопросы по изображениям
  • диалоговое описание визуальных сцен
  • анализ изображений в чате

Ограничения

Языки и лицензия по имеющимся сведениям не определяются. В README описана составная модель и её компоненты, но не приведены оценки качества или подробные сценарии использования.

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

Qwen3-VL-4B-SAMTok Composite

This is a self-contained Hugging Face remote-code wrapper for Qwen3-VL-4B-SAMTok. It loads both the Qwen3-VL language-vision model and the SAMTok VQ-SAM2 mask decoder from this single model repository.

Usage

from transformers import AutoModel

model = AutoModel.from_pretrained(
    "godx7/SAMTok-self-contained",
    trust_remote_code=True,
    torch_dtype="auto",
    device_map="auto",
)

result = model.generate_with_masks(
    image="example.jpg",
    question=(
        "Could you please give me a detailed description of the image? "
        "Please respond with interleaved segmentation masks for the corresponding parts of the answer."
    ),
)

print(result["text"])
print(result["tags"])
print(result["masks"].shape if result["masks"] is not None else None)

For lower-level usage, the model forwards normal Qwen3-VL calls:

processor = model.processor
inputs = processor.apply_chat_template(
    messages,
    tokenize=True,
    add_generation_prompt=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

generated_ids = model.generate(**inputs, max_new_tokens=512)

You can also decode SAMTok text tokens directly:

masks, tags = model.decode_masks(output_text, image="example.jpg")

Files

  • config.json: composite remote-code config.
  • qwen_config.json: original Qwen3-VL model config.
  • model-*.safetensors: Qwen3-VL weights.
  • mask_tokenizer_256x2.pth: SAMTok VQ decoder weights.
  • sam2.1_hiera_large.pt: SAM2 image encoder checkpoint.
  • modeling_samtok.py, configuration_samtok.py, samtok/: remote-code implementation.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
SAMTokCompositeModel
Ревизия весов
dc13e77

0 моделей