/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
7,5 ГБ
Архитектура
qwen2_5_vl · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
8 окт 2026

designforge-qwen2.5-vl-3b

Описание изображенийИзображение → текст

Мультимодальная модель по скриншоту веб-страницы и краткому брифу генерирует самодостаточный код HTML/CSS/JS.

0скачиваний за 30 дней0лайковвеса обновлены8 окт 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 «Распознавание текста» — 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

DesignForge Qwen2.5-VL 3B — дообученная мультимодальная модель на базе Qwen/Qwen2.5-VL-3B-Instruct, представленная в формате safetensors. Она принимает скриншот веб-страницы и краткое описание дизайна, а затем генерирует самодостаточный документ HTML/CSS/JS для создания похожей страницы. Модель рассчитана на восстановление веб-интерфейсов по визуальному примеру и заданию на естественном языке.

Обучение проведено на 504 парах описаний и скриншотов в стиле WebSight в течение 200 шагов. На трёх отложенных примерах HTML успешно разбирался и отображался; средний SSIM относительно эталонных скриншотов составил 0,67. Для декодирования автор рекомендует sampling с temperature около 0,6: жадная генерация в fp16 может вырождаться. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя.

Сценарии применения

  • создание HTML-макета по скриншоту сайта
  • генерация веб-страницы по скриншоту и описанию дизайна
  • восстановление структуры интерфейса для прототипа
  • преобразование визуального референса в HTML/CSS/JS

Ограничения

Обучение выполнено на небольшом наборе из 504 примеров, а качество оценено лишь на трёх отложенных случаях. Жадное декодирование в fp16 может вырождаться; автор рекомендует sampling с температурой около 0,6.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DesignForge Qwen2.5-VL 3B (web screenshot -> HTML)

Fine-tune of Qwen/Qwen2.5-VL-3B-Instruct that turns a webpage screenshot + short design brief into a complete self-contained HTML/CSS/JS document.

Usage

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

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "ivan123-123/designforge-qwen2.5-vl-3b", torch_dtype=torch.bfloat16, device_map="auto")
processor = AutoProcessor.from_pretrained("ivan123-123/designforge-qwen2.5-vl-3b")

msgs = [{"role": "system", "content": "You are DesignForge, an expert front-end engineer and UI designer. Given a webpage screenshot and a design brief, you write one complete, polished, responsive, self-contained HTML document (HTML, CSS and JavaScript as needed). Output only the HTML."},
        {"role": "user", "content": [{"type": "image", "image": image},
                                     {"type": "text", "text": "Design brief:
" + brief + "

Generate the complete webpage."}]}]
prompt = processor.apply_chat_template(msgs, tokenize=False, add_generation_prompt=True)
inputs = processor(text=[prompt], images=imgs, return_tensors="pt").to("cuda")
out = model.generate(**inputs, max_new_tokens=2500, do_sample=True, temperature=0.6, top_p=0.9, top_k=50)
print(processor.batch_decode(out[:, inputs.input_ids.shape[1]:], skip_special_tokens=True)[0])

Notes

  • Trained 200 steps (grad-accum 4, LR 2e-4, cosine) on 504 hand-written WebSight-style brief/screenshot pairs; 500/4 holdout.
  • Decode with sampling (temperature ~0.6). The greedy/fp16 path can degenerate on some inputs.
  • Processor ships with the training pixel budget min_pixels=100352, max_pixels=301056.
  • Held-out quality: 3/3 structurally valid + rendered HTML, mean SSIM 0.67 vs reference screenshots.
  • Adapter-only version: ivan123-123/designforge-qwen2.5-vl-3b-lora (load over the base model with peft).

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
90fd77d

0 моделей