/ Модель

Характеристики

Размер весов
7,3 ГБ
Лицензия
Своя лицензия
Архитектура
kanana-1.5-v · dense
Библиотека
transformers
Опубликована
23 июл 2025

kanana-1.5-v-3b-instruct

Изображение и текст → текст12 профессий

Мультимодальная модель Kakao, которая анализирует изображения и текст и отвечает на английском и корейском языках.

19 217скачиваний за 30 дней56лайковвеса обновлены4 дек 2025

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

kanana-1.5-v-3b-instruct — мультимодальная языковая модель семейства Kanana-1.5-V, разработанная командой Unified Foundation Model в Kakao. Она принимает текст и изображения и генерирует текст; архитектура включает энкодер изображений, C-abstractor и языковую модель kanana-1.5-3b-instruct. Модель содержит около 3,67 млрд параметров, поддерживает контекст до 32 тысяч токенов и предназначена для работы на английском и корейском языках.

Модель подходит для описания изображений, понимания документов, рассуждений по распознанному тексту и выполнения мультимодальных инструкций. В опубликованных Kakao оценках она показала результаты на англоязычных и корейских тестах понимания изображений и следования инструкциям; результаты бенчмарков не гарантируют точность в каждом пользовательском сценарии.

Модель может выдавать неточную или вводящую в заблуждение информацию, особенно при работе с научными диаграммами и математическими задачами. Её не рекомендуется применять в медицине, праве и других областях с высокими ставками; качество языков, кроме корейского и английского, не оценивалось и может быть низким. Лицензия — kanana-license.

Сценарии применения

  • создание подписей и описаний к изображениям
  • извлечение и интерпретация текста в документах
  • ответы на вопросы по содержимому изображения
  • распознавание и анализ корейских надписей и меню
  • выполнение инструкций с текстом и изображениями

Ограничения

Модель может ошибаться, особенно при интерпретации научных диаграмм и математических задач; её не предназначена для медицины, права и других высокорисковых сценариев. Качество на языках, кроме корейского и английского, не оценивалось и может быть низким.

Для каких профессий подходит12

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Table of Contents

kanana-1.5-v-3b-instruct

The Unified Foundation Model (UFO) task force of Kanana at Kakao developed and released the Kanana-V family of multimodal large language models (MLLMs), a collection of pretrained text/image-to-text (TI2T) models.

Intended Use

kanana-1.5-v-3b-instruct is intended for research and application development in multimodal understanding and text generation tasks. Typical use cases include image captioning, document understanding, OCR-based reasoning, and multimodal instruction following in both English and Korean. The model is optimized for both general-purpose and Korea-specific benchmarks, making it suitable for bilingual environments.

Model Details

  • Developed by: Unified Foundation Model (UFO) TF at Kakao
  • Language(s) : ['en', 'ko']
  • Model Architecture: kanana-1.5-v-3b-instruct has 3.6B parameters and contains image encoder, C-abstractor, and kanana-1.5-3b-instruct language model.
  • Input: The models accept text and image inputs.
  • Output: The models generate text only.
  • Context Length: 32k
  • Knowledge Cutoff Date: June 30, 2024
  • Model Release Date: Jul 24, 2025.
  • License: kanana-license

Evaluation

Model Configuration Summary

ModelLLMTotal Parameter
kanana-1.5-v-3b-instructkanana-1.5-3b-instruct3.67B
HCX-SEED-Vision-3BHyperCLOVAX-SEED-Text-Base-3B3.72B
Phi-3-VisionPhi-3-Mini4.15B
Qwen2.5-VL-3B-InstructQwen2.5-3B3.75B
InternVL2.5-4BQwen2.5-3B-Instruct3.94B

Overview

ModelAllImage (EN)Image (KO)IF (EN, KO)
kanana-1.5-v-3b-instruct73.2274.0068.2777.39
HCX-SEED-Vision-3B59.0064.8151.9660.23
Phi-3-Vision48.8465.4136.4044.71
Qwen2.5-VL-3B-Instruct63.5473.9760.6056.04
InternVL2.5-4B61.3574.7354.6854.63

Image Benchmarks (EN)

ModelaverageMMMU (Val)MathVistaDocVQAChartQAOCRBenchInfoVQATextVQARealWorldQAMMStarMMBSEED-imageMMVetLLaVA-WildscienceqaAI2D
kanana-1.5-v-3b-instruct74.0043.8956.0093.0681.2082.5073.6278.6265.3656.3278.4475.1765.8789.6095.6174.81
HCX-SEED-Vision-3B64.8138.8947.4079.8771.8862.9055.5973.5162.4846.6672.4274.8447.2779.3086.8472.31
Phi-3-Vision65.4145.3343.6087.0481.4063.6054.8069.6159.0847.4773.3771.6945.9670.4090.8476.98
Qwen2.5-VL-3B-Instruct73.9750.6762.0094.1983.6079.1077.2277.7759.7456.2677.7574.8361.0696.9079.6978.79
InternVL2.5-4B74.7352.3361.8092.1382.7679.2069.7378.2462.8859.7281.9675.5961.3886.3097.1479.83

Image Benchmarks (KO)

ModelaverageKoOCRBenchKoMMDBenchKoChartTaskKoMathSolutionKoCosMedKoFoodMenuKoEntityKoExamKoCelebV2
kanana-1.5-v-3b-instruct68.2785.9374.0084.9636.8887.5870.8472.0458.9943.24
HCX-SEED-Vision-3B51.9632.9164.5773.5527.8878.1657.0864.1231.8237.58
Phi-3-Vision36.4025.1337.9352.3638.7556.7534.7031.7124.0526.25
Qwen2.5-VL-3B-Instruct60.6050.6761.7584.9647.1382.0166.3258.1560.6833.72
InternVL2.5-4B54.6820.5262.6582.6146.5082.6665.0950.4247.4334.23

Multimodal Instruction Following Benchmarks (EN, KO)

ModelaverageMIABenchMIABench-KoMM-IFEvalMM-OmniAlign
kanana-1.5-v-3b-instruct77.3990.2891.1756.6771.43
HCX-SEED-Vision-3B60.2385.8181.8047.9125.40
Phi-3-Vision44.7185.7838.3544.3710.32
Qwen2.5-VL-3B-Instruct56.0482.5559.6139.1442.86
InternVL2.5-4B54.6385.6868.3543.0621.43

Note on Benchmarking Methodology

All benchmarks were re-measured under identical software conditions to ensure fair comparison.

  • VLMEvalKit was used for MMMU, MathVista, ScienceQA, MIA-Bench, MM-IFEval and MM-OmniAlign.

  • lmms-eval was employed for DocVQA, ChartQA, OCRBench, InfoVQA, TextVQA, RealWorldQA, MMStar, MMB, and SEED-image.

  • HCX-SEED-Vision-3B was evaluated without the use of any auxiliary tools (e.g., external OCR engines or Lens features), as such tools are not publicly available and therefore not included in our evaluation setup.

  • Important note for ChartQA: It was identified that the original rule-based parser used by lmms-eval marked answers ending with a period (".") as incorrect due to parsing issues. To address this, the parser logic was modified to remove any trailing period before parsing the response. All ChartQA evaluations presented here reflect results obtained after applying this parser adjustment.

The following in-house benchmarks evaluate Korean-language tasks and Korea-specific knowledge:

BenchmarkPurpose
KoOCRBenchKorean character recognition (OCR)
KoMMDBench, KoEntity, KoCelebV2Korean knowledge & cultural visual QA
KoFoodMenu, KoCosMedKorean text-based visual QA
KoChartTaskChart understanding in Korean
KoExam, KoMathSolutionMultimodal Problem-solving in Korean (general exams & mathematics)
MIABench-KoKorean multimodal instruction-following benchmark (derived from MIABench)

Usage

Requirements

pip install transformers accelerate timm omegaconf

transformers>=4.45.0 or the latest version is recommended.

Quickstart

The following is a code snippet that briefly demonstrates how to load a model and process input data using the AutoClass from transformers.

from PIL import Image
import torch
from transformers import AutoModelForVision2Seq, AutoProcessor

MODEL = "kakaocorp/kanana-1.5-v-3b-instruct"

# Load the model on the available device(s)
model = AutoModelForVision2Seq.from_pretrained(
    MODEL,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
)
model.eval()

# Load processor
processor = AutoProcessor.from_pretrained(MODEL, trust_remote_code=True)

# Prepare input batch
batch = []
for _ in range(1):  # dummy loop to demonstrate batch processing
    image_files = [
        "./examples/waybill.png"
    ]

    sample = {
        "image": [Image.open(image_file_path).convert("RGB") for image_file_path in image_files],
        "conv": [
            {"role": "user", "content": " ".join(["<image>"] * len(image_files))},
            {"role": "user", "content": "사진에서 보내는 사람과 받는 사람 정보를 json 형태로 정리해줘."},
        ]
    }

    batch.append(sample)
    
inputs = processor.batch_encode_collate(
    batch, padding_side="left", add_generation_prompt=True, max_length=8192
)
inputs = {k: v.to(model.device) if isinstance(v, torch.Tensor) else v for k, v in inputs.items()}

# Set the generation config
gen_kwargs = {
    "max_new_tokens": 2048,
    "temperature": 0,
    "top_p": 1.0,
    "num_beams": 1,
    "do_sample": False,
}

# Generate text
gens = model.generate(
    **inputs,
    **gen_kwargs,
)
text_outputs = processor.tokenizer.batch_decode(gens, skip_special_tokens=True)
print(text_outputs)  # ['```json\n{\n  "보내는분": {\n    "성명": "카카오",\n    "주소": "경기도 성남시 판교역로 166"\n  },\n  "받는분": {\n    "성명": "카나나",\n    "주소": "제주도 제주시 첨단로 242"\n  }\n}\n```']

Limitations

  • The model may generate inaccurate or misleading content, especially in scenarios requiring precise factual understanding (e.g., scientific diagrams or mathematical reasoning).
  • Performance on languages other than Korean and English has not been evaluated and may be poor.
  • The model is not designed for medical, legal, or other high-stakes domains.
  • The model may reflect social biases present in the pretraining data.

Contributors

  • Beomhee Park, Byeonguk Bae, Byungseok Roh, Daejin Jo, Donghee Son, Dongjin Lee, Hyunwoong Ko, Jaemyung Lee, Jeehye Lee, Sunghun Kang, Wooyoung Kang
  • Listed in alphabetical order (first name)

Contact

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
KananaVForConditionalGeneration
Ревизия весов
2e00ef1

0 моделей