/ Модель

Характеристики

Параметры
880 млн
Лицензия
Своя лицензия
Архитектура
minimax_m3_vl_vision · dense
Базовая модель
MiniMax-M3
Библиотека
transformers
Опубликована
17 сен 2026

MiniMax-M3-Vision

Эмбеддинги изображенийИзображение → embedding3 профессии

Компонент зрения MiniMax-M3 извлекает признаки изображений и подготавливает визуальные токены для мультимодальной модели.

33скачиваний за 30 дней0лайковвеса обновлены17 сен 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

MiniMax-M3 Vision — компонент извлечения визуальных признаков из мультимодальной модели MiniMax-M3, опубликованный пользователем immanuelpeter. Репозиторий содержит башню зрения CLIP-типа на базе ViT и проектор, преобразующий и сжимающий визуальные токены; это не полная диалоговая модель. По README, башня имеет 32 слоя, скрытую размерность 1280 и обрабатывает изображения размером до 2016 пикселей; используются патч-эмбеддинг Conv3d, 3D RoPE и временные патчи размера 2. Проектор выдаёт признаки размерности 6144. Веса сохранены в BF16 и формате safetensors.

Модель предназначена для извлечения визуальных признаков, которые можно передавать в языковую часть MiniMax-M3 для анализа изображений и видео. Проверка в README сравнивает все веса башни и проектора с закреплённым исходным чекпойнтом. Метаданные указывают 879,8 млн параметров и библиотеку Transformers. Лицензия обозначена как other; конкретные условия в предоставленных данных не раскрыты.

Сценарии применения

  • извлечение признаков из изображений для мультимодальной модели
  • подготовка визуальных токенов для анализа изображений
  • обработка кадров видео с временными патчами
  • передача визуальных признаков в языковую часть MiniMax-M3

Ограничения

Это компонент зрения, а не самостоятельная чат-модель; для мультимодального анализа требуется языковая часть MiniMax-M3. Условия лицензии «other» в предоставленных данных не уточнены.

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

MiniMax-M3 Vision

This repository packages the Tower and Projector from MiniMax M3.

Contents

FileTensorsWhat it holds
model.safetensors515MiniMax-M3 vision tower
projector.safetensors8multi_modal_projector and remapped patch_merge_mlp
projector_config.json, projector.pyProjector shapes and loader
config.json, preprocessor_config.jsonVision-only model and image-processing configuration
LICENSEMiniMax Community License

Architecture

ComponentDetails
TowerCLIP-style ViT, 32 layers, 1280 hidden, 16 heads, 5120 intermediate, patch size 14, Conv3d patch embed, 3D RoPE, GELU, image size 2016
Token compression2x2 spatial merge, temporal patch size 2
ProjectorLinear(1280, 6144), GELU, Linear(6144, 6144), flatten four 6144-wide patches, Linear(24576, 6144), GELU, Linear(6144, 6144)

The class is MiniMaxM3VLVisionModel (model_type minimax_m3_vl_vision). last_hidden_state is the raw 1280-wide Tower tokens. At 448 the bench reports 1280-wide Tower tokens, 5120-wide merged tokens (2x2 of 1280), and 6144-wide projected tokens. projector_config.json records input_size 1280, hidden_size 6144, output_size 6144, and merged_hidden_size 24576.

Usage

See examples/inference.py for image feature extraction.

Validation

The parity script compares all 515 Tower tensors and eight Projector tensors with the pinned parent checkpoint using torch.equal.

Reproduction

The export script reads vision_tower.vision_model.* from shard 59 of MiniMaxAI/MiniMax-M3. It remaps encoder.layers to layers and embeddings.patch_embedding to embeddings.proj, then writes 515 Tower tensors. The Projector comes from multi_modal_projector.* and patch_merge_mlp.* in shards 26 and 59, with merge linear names remapped, for eight tensors. The original BF16 weights are preserved.

Credits

MiniMax released the MiniMax-M3 weights and the native Transformers implementation.

License

MiniMax Community License, the same license as the source model.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Нельзя запустить

Для архитектуры minimax_m3_vl_vision нет загрузчика под задачу image-feature-extraction.

Класс архитектуры
MiniMaxM3VLVisionModel
Ревизия весов
accba69

0 моделей