/ Модель

Характеристики

Контекст
262 144 токена
Размер весов
17,5 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_vl · dense
Базовая модель
Qwen3-VL-8B-Thinking
Библиотека
transformers
Опубликована
6 ноя 2025

Jan-v2-VL-low

Изображение и текст → текст3 профессии

Мультимодальная модель Jan на базе Qwen3-VL для быстрой многошаговой автоматизации браузеров и настольных приложений по скриншотам и инструкциям.

37скачиваний за 30 дней16лайковвеса обновлены16 дек 2025

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

Jan-v2-VL-low — мультимодальная модель на 8 млрд параметров, разработанная командой Jan и основанная на Qwen/Qwen3-VL-8B-Thinking. Вариант low оптимизирован для меньшей задержки при выполнении многошаговых задач в программных средах, включая браузеры и настольные приложения.

Модель принимает изображения и текст, чтобы выполнять пошаговую автоматизацию интерфейсов, следовать сложным инструкциям, удерживать промежуточное состояние и восстанавливаться после небольших ошибок выполнения. Она рассчитана на сценарии, где план или необходимые знания можно задать заранее, а важны устойчивое исполнение и минимальное отклонение от задачи; предусмотрена интеграция с Jan App и вызов инструментов.

В README сообщается, что по стандартным текстовым и визуальным задачам качество не уступает базовой модели, а на отдельных задачах и бенчмарке длинных цепочек выполнения показывает улучшение. Модель распространяется по лицензии Apache-2.0. Карточка не приводит длину контекста и перечень поддерживаемых языков; в метаданных указан английский.

Сценарии применения

  • пошаговое управление браузером по скриншотам
  • автоматизация действий в настольных приложениях
  • выполнение длинных цепочек действий с заданным планом
  • вызов инструментов в агентных сценариях

Ограничения

Наилучший сценарий — многошаговые задачи с заранее заданным планом или знаниями; для вызова инструментов и локального запуска требуется подходящая интеграция. README не указывает длину контекста.

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

Jan-v2-VL: Multimodal Agent for Long-Horizon Tasks

GitHub License Jan App

image/gif

Overview

Jan-v2-VL is an 8B-parameter vision–language model for long-horizon, multi-step tasks in real software environments (e.g., browsers and desktop apps). It combines language reasoning with visual perception to follow complex instructions, maintain intermediate state, and recover from minor execution errors.

We recognize the importance of long-horizon execution for real-world tasks, where small per-step gains compound into much longer successful chains—so Jan-v2-VL is built for stable, many-step execution. For evaluation, we use The Illusion of Diminishing Returns: Measuring Long-Horizon Execution in LLMs, which measures execution length. This benchmark aligns with public consensus on what makes a strong coding model—steady, low-drift step execution—suggesting that robust long-horizon ability closely tracks better user experience.

Variants

  • Jan-v2-VL-low — efficiency-oriented, lower latency
  • Jan-v2-VL-med — balanced latency/quality
  • Jan-v2-VL-high — deeper reasoning; higher think time

Intended Use

Tasks where the plan and/or knowledge can be provided up front, and success hinges on stable, many-step execution with minimal drift:

  • Agentic automation & UI control: Stepwise operation in browsers/desktop apps with screenshot grounding and tool calls (e.g., BrowserMCP).

Model Performance

image

Compared with its base (Qwen-3-VL-8B-Thinking), Jan-v2-VL shows no degradation on standard text-only and vision tasks—and is slightly better on several—while delivering stronger long-horizon execution on the Illusion of Diminishing Returns benchmark.

image

image

image

Local Deployment

Integration with Jan App

Jan-v2-VL is optimized for direct integration with the Jan App. Simply select the model from the Jan App interface for immediate access to its full capabilities.

Local Deployment

Using vLLM:

vllm serve Menlo/Jan-v2-VL-high \
    --host 0.0.0.0 \
    --port 1234 \
    --enable-auto-tool-choice \
    --tool-call-parser hermes \
    --reasoning-parser qwen3 
    

Using llama.cpp:

llama-server --model Jan-v2-VL-high-Q8_0.gguf \
    --vision-model-path mmproj-Jan-v2-VL-high.gguf \
    --host 0.0.0.0 \
    --port 1234 \
    --jinja \
    --no-context-shift

Recommended Parameters

For optimal performance in agentic and general tasks, we recommend the following inference parameters:

temperature: 1.0
top_p: 0.95
top_k: 20
repetition_penalty: 1.0
presence_penalty: 1.5

🤝 Community & Support

📄 Citation

Updated Soon

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3VLForConditionalGeneration
Ревизия весов
4cbe06d

0 моделей