/ 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

preparing.ai

Описание изображенийИзображение → текст

Мультимодальная модель на базе Qwen2.5-VL-3B, которая создаёт HTML/CSS/JS веб-страницы по скриншоту и краткому дизайн-брифу.

14скачиваний 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

preparing.ai — DesignForge — это дообученная мультимодальная модель на базе Qwen/Qwen2.5-VL-3B-Instruct, разработанная автором репозитория ivan123-123. Она принимает скриншот веб-страницы и краткое описание дизайна, а в ответ генерирует самостоятельный документ HTML/CSS/JS без разметки Markdown.

Модель предназначена для восстановления и создания веб-страниц по визуальному образцу и текстовому заданию. В карточке описано обучение на 504 парах скриншотов и брифов; на трёх отложенных примерах получен структурно корректный HTML с отрисовкой, средний SSIM составил 0,67. Это небольшой эксперимент с ограниченной оценкой, поэтому качество на других макетах может отличаться. Для вывода автор рекомендует sampling с temperature=0.6, top_p=0.9 и top_k=50; при жадном декодировании возможны повторы символов. Лицензия в предоставленных данных не указана.

Сценарии применения

  • создание HTML-макета по скриншоту сайта
  • генерация веб-страницы по скриншоту и дизайн-брифу
  • восстановление структуры и стилей страницы по изображению
  • быстрое прототипирование лендинга по визуальному примеру

Ограничения

Оценка основана всего на четырёх отложенных примерах, поэтому качество за пределами проверенных макетов не установлено. При жадном декодировании возможны повторы символов; для инференса автор рекомендует sampling.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

preparing.ai - DesignForge Qwen2.5-VL 3B (screenshot + brief -> HTML)

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

  • Full merged model (fp16): ivan123-123/preparing.ai
  • LoRA adapter only: ivan123-123/preparing.ai-lora

Usage

import torch
from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor

model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    "ivan123-123/preparing.ai", torch_dtype=torch.bfloat16, device_map="auto")
processor = AutoProcessor.from_pretrained("ivan123-123/preparing.ai")

SYSTEM = ("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.")

msgs = [
    {"role": "system", "content": SYSTEM},
    {"role": "user", "content": [
        {"type": "image", "image": image},
        {"type": "text", "text": "Design brief:\n" + brief + "\n\nGenerate the complete webpage."},
    ]},
]
prompt = processor.apply_chat_template(msgs, tokenize=False, add_generation_prompt=True)
inputs = processor(text=[prompt], images=[image], 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)
html = processor.batch_decode(out[:, inputs.input_ids.shape[1]:], skip_special_tokens=True)[0]
open("page.html", "w", encoding="utf-8").write(html)

Inference settings

  • Use sampling (temperature=0.6, top_p=0.9, top_k=50). Greedy decoding on fp16 can degenerate to repeated characters on some inputs.
  • The processor ships with the training pixel budget: min_pixels=100352, max_pixels=301056 (≈1008x784). Keep these so images are framed as they were during training.
  • Expected output length: ~1.7k-2.6k tokens (one HTML document, no markdown fences).

Training / evaluation

  • 200 optimizer steps, grad-accum 4, LR 2e-4 cosine, LoRA r=16 on a P100, bf16/4-bit NF4.
  • 504 hand-written brief + screenshot pairs (WebSight-style), 500 train / 4 holdout.
  • Held-out: 3/3 structurally valid and rendered HTML, mean SSIM 0.67 vs the reference screenshot.
  • Artifact test (4-bit + LoRA, sampling): PASS.

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
e0d4284

0 моделей