Характеристики

Лицензия: MIT
Библиотека: nanovlm
Опубликована: 10 июл 2026

Ссылки

nanoVLM

Изображение и текст → текст

Компактная визуально-языковая модель на 222 млн параметров для ответов на текстовые запросы по изображениям и экспериментов с VLM.

10скачиваний за 30 дней0лайковвеса обновлены10 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

nanoVLM — компактная мультимодальная модель для работы с изображениями и текстом, предназначенная для эффективного обучения и экспериментов. Она реализована на чистом PyTorch: архитектура и логика обучения занимают около 750 строк кода. Модель объединяет визуальный энкодер ViT на основе SigLIP-B/16-224-85M и компактную причинную языковую модель SmolLM2-135M; общий размер составляет 222 млн параметров.

Модель принимает изображение вместе с текстовым запросом и формирует текстовый ответ, поэтому подходит для вопросов об изображениях и других экспериментов с визуально-языковыми сценариями. В карточке не описаны языковой охват, длина контекста, обучающие данные или результаты оценки качества. Репозиторий модели использует формат safetensors; лицензия — MIT.

Сценарии применения

ответы на вопросы по содержимому изображения
описание объектов и сцен на изображении
эксперименты с обучением компактных визуально-языковых моделей

Ограничения

Карточка не сообщает результаты оценки качества, языковой охват, длину контекста и обучающие данные. Модель заявлена как компактная и ориентированная на эксперименты, поэтому её пригодность для конкретных задач следует проверять отдельно.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

nanoVLM is a minimal and lightweight Vision-Language Model (VLM) designed for efficient training and experimentation. Built using pure PyTorch, the entire model architecture and training logic fits within ~750 lines of code. It combines a ViT-based image encoder (SigLIP-B/16-224-85M) with a lightweight causal language model (SmolLM2-135M), resulting in a compact 222M parameter model.

For more information, check out the base model on https://huggingface.co/lusxvr/nanoVLM-222M.

Usage:

Clone the nanoVLM repository: https://github.com/huggingface/nanoVLM. Follow the install instructions and run the following code:

from models.vision_language_model import VisionLanguageModel

model = VisionLanguageModel.from_pretrained("infinitylogesh/nanoVLM")

Как запустить

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

GPU в ailist

Универсальный рантайм · nanovlm

Нельзя запустить

Архитектура ? неизвестна transformers в образе рантайма.

Ревизия весов: 47a27d8