/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
vectrayx-1b
Опубликована
9 авг 2026

vectrayx-vision-1b

Изображение и текст → текст3 профессии

Экспериментальная мультимодальная модель для локального анализа изображений из инструментов кибербезопасности с ответами преимущественно на испанском языке.

83скачиваний за 30 дней0лайковвеса обновлены11 авг 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

VectraYX-Vision-1B — мультимодальная модель зрения и языка от Juan S. Santillana, представленная как GGUF-экспорт для локального запуска через llama.cpp или Ollama. Она предназначена для анализа скриншотов инструментов кибербезопасности: декомпиляторов IDA и Ghidra, Wireshark, Nmap, Metasploit и Volatility. Модель принимает изображения и текстовые запросы, отвечает по-испански и поддерживает чатовый интерфейс; в карточке также заявлены структурированные визуальные рассуждения и взаимодействие с инструментами через MCP.

Архитектура включает визуальный энкодер SigLIP-so400m-patch14-384, MLP-проектор и языковую основу VectraYX-1B с 22 слоями, GQA и SwiGLU. Для мультимодального вывода нужны оба файла: model.gguf и mmproj.gguf; указанный объём файлов — 2,22 ГБ и 823 МБ соответственно, в формате F16. Модель ориентирована на испанский язык, в метаданных также указаны испанский и английский. Лицензия — Apache-2.0.

Это экспериментальная инфраструктурная версия, а не релиз с подтверждённым качеством визуального анализа. Автор сообщает, что на приведённых vision-бенчмарках результаты близки к нулю и модель часто игнорирует содержимое изображения; полезные ответы на вопросы по скриншотам пока ожидать не следует. Автор также отмечает, что оценка безопасности вызова инструментов ещё не завершена.

Сценарии применения

  • пробный анализ скриншотов интерфейсов IDA и Ghidra
  • эксперименты с вопросами по захватам пакетов Wireshark
  • локальное тестирование анализа вывода Nmap и Metasploit
  • исследование визуального разбора дампов Volatility
  • проверка мультимодальных сценариев в llama.cpp без подключения к сети

Ограничения

Автор сообщает, что визуальная привязка к содержимому изображений слаба: модель часто игнорирует изображение, а результаты приведённых vision-бенчмарков близки к нулю. Оценка безопасности вызова инструментов ещё не завершена.

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

VectraYX-Vision-1B

A sub-2B vision–language model specialized for cybersecurity imagery — disassembly/decompiler panes (IDA, Ghidra), packet captures (Wireshark), scanner and post-exploitation terminals (Nmap, Metasploit), and memory-forensics dumps (Volatility) — that answers in Spanish, emits structured visual reasoning via native <|think|> tokens before its answer, invokes external tools through the Model Context Protocol using native <|tool_call|> tokens, and exports cleanly to llama.cpp's LLaVA mmproj format for fully on-premise, air-gapped deployment.

This is the GGUF export (model + mmproj) for offline inference. For the text-only backbone see jsantillana/vectrayx-1b.

Architecture

ComponentValue
Visual encoderSigLIP-so400m-patch14-384 (frozen, 400M, 1152-d, 729 patches)
ProjectorMLP: 1152→4096→2048, GELU + LayerNorm (~13.1M params)
Language backboneVectraYX-1B: 22 layers, 2048 d_model, 5504 d_ffn, GQA 16/4, SwiGLU
Backbone positional encodingRoPE (θ=1e6) on 3/4 layers, NoPE on every 4th layer
Vocabulary32,768 (BPE)
Special tokens`<
Total parameters~1.04B (backbone) + 400M (encoder) + 13M (projector)

Files

  • model.gguf (2.22 GB, F16) — the LLM decoder (also usable standalone for text as in vectrayx-1b)
  • mmproj.gguf (823 MB, F16) — the SigLIP encoder + MLP projector (the vision tower)

Both are needed for multimodal inference; load both in llama.cpp / Ollama.

Training

Four-phase curriculum (all phases complete):

  1. Phase 1 — 9.2B tokens general Spanish pretraining (backbone)
  2. Phase 2 — ≈50B tokens three-block curriculum (backbone)
  3. Phase 3 — ≈6B tokens tooling SFT establishing native <|tool_call|> + <|think|> (backbone)
  4. Vision phase — 4a (projector alignment, ~228 steps), 4b (instruct, projector+backbone), 4c (think+tools). This checkpoint is the SFT-v2 continuation at step 400, warm-started from the v3B run (step 1900 of a low-LR phase-4b).

Total vision-phase compute: ≈2.2h of 2×A100-40GB wall time; ≈16M tokens.

Honest status

B6/B7 (vision benchmark) scores are near zero at the current training volume (400–1900 vision steps). The model generates fluent Spanish but ignores image content — visual grounding at this scale requires more SFT steps or a denser annotated screenshot corpus. This is a template/infrastructure release, not a quality release. Baseline context:

ModelB6 tool-idB6 correctB7 chain-quality
GPT-4o (frontier ceiling)0.9400.0000.940
Phi-4-multimodal (4.5B)0.4400.0000.220
VectraYX-Vision-1B (v3B, step 1900)0.0800.0600.025
VectraYX-Vision-1B (SFT-v2, step 400) — this checkpoint0.0200.0000.010
1B backbone, no image (control)0.0200.0000.000

The text-only control confirms the benchmark is not trivially answerable from text alone — the with-image v3B row (0.08) exceeds the no-image control (0.02).

Usage (llama.cpp multimodal)

# Load model + vision tower
./llama-cli -m model.gguf --mmproj mmproj.gguf \
  --image /path/to/screenshot.png \
  -p "¿Qué herramienta de seguridad muestra esta captura y qué hace?" \
  --temp 0.7 -n 512

Usage (Ollama)

# Register the model with its mmproj
ollama create vectrayx-vision-1b \
  -f <(printf 'FROM ./model.gguf
PARAMETER temperature 0.7
PARAMETER num_predict 512
')
# (mmproj must be co-located for multimodal; see Ollama LLaVA docs)
ollama run vectrayx-vision-1b

Notes / known limitations

  • Visual grounding is weak. The model is primarily an architecture/data/curriculum release pending a longer SFT run. Do not expect useful visual QA yet.
  • NoPE export: NoPE layers export as RoPE layers with rotary application disabled per layer. The GGUF RoPE permute fix uses stack([w1,w2], dim=2) interleaved.
  • Export is GGUF-splittable: the decoder checkpoint contains no visual weights and vice versa, matching the LLaVA model.gguf / mmproj.gguf convention.
  • This is the first released model to combine periodic NoPE layers with an injected visual-token block; the NoPE×vision interaction is an open research question (see the accompanying paper for the ablation design).

Citation

See the accompanying paper, VectraYX-Vision-1B: A Sub-2B Spanish/LATAM Cybersecurity Vision-Language Model with Structured Visual Reasoning and Native Tool Use. Paper on Hugging Face.

Author

Juan S. Santillana — DevOps engineer (Globant). Institutional affiliation approval pending. Weights, benchmarks, and configs are released; the tool-calling MCP Modelfile will follow the visual-prompt-injection and over-triggering safety evaluation.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
bd7dcb5

0 моделей