/ Модель

Характеристики

Контекст
262 144 токена
Лицензия
MIT
Архитектура
qwen3_vl_moe · dense
Базовая модель
Qwen3-VL-30B-A3B-Instruct
Библиотека
transformers
Опубликована
14 июл 2026

Qwen3-VL-1.0B-A0.4B-Instruct

Изображение и текст → текст3 профессии

Тестовая уменьшенная версия Qwen3-VL для проверки загрузки и текстовой генерации в инфраструктуре Transformers.

976скачиваний за 30 дней1лайквеса обновлены17 июл 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

Qwen3-VL-1.0B-A0.4B-Instruct — тестовая уменьшенная модель семейства Qwen3-VL, созданная для разработки и проверки программной инфраструктуры на основе конфигурации Qwen/Qwen3-VL-30B-A3B-Instruct. Архитектура использует MoE с 128 экспертами и 8 активными на токен; всего около 1,434 млрд параметров, из них активируется около 0,4 млрд. В текстовой части оставлен один слой, в визуальном энкодере — четыре блока.

Модель обучена на игрушечном текстовом наборе, но её визуальный энкодер случайно инициализирован и не дообучался. Поэтому она предназначена для текстовых тестов и проверки совместимости с Transformers, а не для анализа изображений. Для загрузки подходят Qwen3VLMoeForConditionalGeneration или AutoModelForImageTextToText; AutoModelForCausalLM этот тип модели не поддерживает. Репозиторий содержит веса safetensors и распространяется по лицензии MIT.

Сценарии применения

  • Проверка загрузки архитектуры Qwen3-VL в Transformers
  • Тестирование кода, рассчитанного на MoE-модели Qwen3-VL
  • Проверка текстовой генерации на игрушечном наборе данных

Ограничения

Модель создана для тестирования, а не для практического применения; визуальные веса случайно инициализированы, поэтому анализ изображений не поддерживается надёжно. Текстовая часть крайне мала и обучалась на игрушечном наборе, поэтому качество генерации ограничено.

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-1.0B-A0.4B-Instruct

This is a tiny version of Qwen/Qwen3-VL-30B-A3B-Instruct created for testing and development.

Model Details

  • Base Model: Qwen/Qwen3-VL-30B-A3B-Instruct
  • Architecture: qwen3_vl_moe
  • Total Parameters: 1.434B
  • Activated Parameters: ~0.4B (8 of 128 experts active per token)

Configuration Changes

The following parameters were reduced from the original model:

ParameterOriginalTiny
text_config.num_hidden_layers481
vision_config.depth274
vision_config.deepstack_visual_indexes[8, 16, 24][1, 2, 3]
text_config.hidden_size20482048 (unchanged)
text_config.num_local_experts128128 (unchanged)
text_config.num_experts_per_tok88 (unchanged)
text_config.moe_intermediate_size768768 (unchanged)
text_config.num_attention_heads3232 (unchanged)
text_config.num_key_value_heads44 (unchanged)
vision_config.hidden_size11521152 (unchanged)

Checkpoint Structure

The model is saved as a single model.safetensors file (89 tensors). The checkpoint key structure matches the original Qwen/Qwen3-VL-30B-A3B-Instruct exactly.

Usage

from transformers import Qwen3VLMoeForConditionalGeneration, AutoTokenizer

model = Qwen3VLMoeForConditionalGeneration.from_pretrained(
    "inference-optimization/Qwen3-VL-1.0B-A0.4B-Instruct",
    device_map="auto",
)
tokenizer = AutoTokenizer.from_pretrained("inference-optimization/Qwen3-VL-1.0B-A0.4B-Instruct")

input_ids = tokenizer("According to all known laws", return_tensors="pt").input_ids.to(model.device)
output = model.generate(input_ids, max_new_tokens=20)
print(tokenizer.decode(output[0]))

Note: AutoModelForCausalLM does not support this model type. Use Qwen3VLMoeForConditionalGeneration or AutoModelForImageTextToText directly.

Creation Process

This model was created using the llm-compressor create-tiny-model claude skill.

  1. Config fetched from Qwen/Qwen3-VL-30B-A3B-Instruct without downloading weights (skip_weights_download)
  2. Text depth reduced from 48 → 1 layers; vision depth reduced from 27 → 4 blocks
  3. All parameters randomly initialized with initializer_range=0.02 (matching the base model)
  4. MoE expert parameters (gate_up_proj, down_proj, gate.weight) explicitly initialized since they are bare nn.Parameter tensors, not nn.Linear modules
  5. Fine-tuned on a toy text dataset (internet copypastas) until perplexity ≤ 3.0

Validation

Success: perplexity=1.0001 <= 10.0
Generated: According to all known laws of aviation, there is no way a bee should be able to fly. Its wings are too small to get its fat little

Notes

  • This is a text-only fine-tuned model. The vision encoder weights are randomly initialized and not fine-tuned; the model is intended for text-based testing only.
  • The MoE routing architecture (128 experts, 8 active per token) is preserved in full to match the original model's structural properties.
  • Fine-tuning converged in ~160 steps with learning rate 1e-4.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLMoeForConditionalGeneration
Ревизия весов
bf4f6e5

0 моделей