/ Модель

Характеристики

Контекст
32 768 токенов
Размер весов
16,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen2_5_vl · dense
Базовая модель
qwen2.5-vl-7b-instruct-unsloth-bnb-4bit
Библиотека
transformers
Опубликована
13 июл 2026

Kiel-2-VQA

Изображение и текст → текст15 профессий

Kiel-2-VQA — дообученная мультимодальная модель KielTech для ответов на вопросы по изображениям, распознавания текста и анализа документов, таблиц и графиков.

1 093скачиваний за 30 дней0лайковвеса обновлены27 сен 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 «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

Kiel-2-VQA — мультимодальная модель для понимания изображений и диалоговых запросов, разработанная KielTech на основе архитектуры Qwen2.5-VL и дообученная на базе unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit. Модель принимает изображения вместе с текстовыми вопросами и формирует текстовые ответы; она предназначена для визуального поиска информации и анализа содержимого изображений.

Модель ориентирована на ответы на вопросы по фотографиям, диаграммам, интерфейсам и иллюстрациям, разбор документов, таблиц и графиков, извлечение текста методом OCR и определение координат объектов и визуальных элементов. В карточке заявлены высокая точность распознавания текста и экономичный инференс благодаря 4-битной оптимизации BNB NF4. Архитектура — Qwen2_5_VLForConditionalGeneration; поддерживаемый язык — английский. Лицензия Apache 2.0.

Сценарии применения

  • ответы на вопросы по фотографиям, диаграммам и иллюстрациям
  • извлечение данных из счетов и чеков
  • разбор таблиц и графиков
  • распознавание текста на изображениях
  • определение координат объектов и элементов интерфейса

Ограничения

В карточке заявлены возможности, но не приведены результаты бенчмарков или количественные оценки качества. Языковая поддержка указана для английского.

Для каких профессий подходит15

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

Kiel-2-VQA

Kiel-2-VQA is a high-performance multimodal vision-language model fine-tuned from the Qwen2.5-VL architecture. It is engineered to excel in Visual Question Answering (VQA), complex document and chart analysis, dense OCR data extraction, and fine-grained visual localization. As part of the Kiel AI suite, it serves as the core intelligence engine for high-precision image understanding and multimodal chat workflows.


Model Details

  • Developed by: KielTech
  • Base Model: unsloth/qwen2.5-vl-7b-instruct-unsloth-bnb-4bit
  • Model Type: Multimodal Causal Language Model (Qwen2_5_VLForConditionalGeneration)
  • Language(s): English
  • License: Apache 2.0
  • Quantization: 4-bit optimized (BNB NF4) for high-throughput, memory-efficient inference
  • Hugging Face Hub: kiel2/Kiel-2-VQA

Key Capabilities

  • Visual Question Answering & Reasoning: Deep comprehension of photographs, diagrams, UI layouts, and illustrations to answer complex user queries.
  • Document, Table & Chart Parsing: Advanced layout understanding for structured data extraction from invoices, receipts, charts, and technical documents.
  • High-Accuracy OCR: Robust text recognition across multiple fonts, orientations, and scales.
  • Spatial Localization: Precise identification of object coordinates and visual elements within images.

How to Get Started with the Model

You can load and run Kiel-2-VQA directly using Hugging Face transformers and bitsandbytes for memory-efficient execution:

import torch
from transformers import Qwen2_5_VLForConditionalGeneration, AutoProcessor
from PIL import Image
import requests

MODEL_ID = "kiel2/Kiel-2-VQA"

print("Loading Kiel-2-VQA processor and model...")
processor = AutoProcessor.from_pretrained(MODEL_ID, trust_remote_code=True)
model = Qwen2_5_VLForConditionalGeneration.from_pretrained(
    MODEL_ID,
    torch_dtype=torch.bfloat16,
    device_map="auto",
    trust_remote_code=True
)
model.eval()

# Prepare an image and a text query
image_url = "[https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg](https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/car.jpg)"
image = Image.open(requests.get(image_url, stream=True).raw)

conversation = [
    {
        "role": "user",
        "content": [
            {"type": "image", "image": image},
            {"type": "text", "text": "Describe the key elements and setting of this image in detail."},
        ],
    }
]

# Apply chat template
text_prompt = processor.apply_chat_template(
    conversation, tokenize=False, add_generation_prompt=True
)

# Process inputs
inputs = processor(
    text=[text_prompt],
    images=[image],
    padding=True,
    return_tensors="pt"
).to(model.device)

# Generate response
with torch.no_grad():
    output_ids = model.generate(**inputs, max_new_tokens=256)

generated_ids = [
    output_ids[len(input_ids):] for input_ids, output_ids in zip(inputs.input_ids, output_ids)
]
response = processor.batch_decode(
    generated_ids, skip_special_tokens=True, clean_up_tokenization_spaces=True
)[0]

print("Model Response:\n", response)
Citation   
Code snippet
@misc{kiel2-Kiel-2-VQA-2026,
  author = {KielTech},
  title = {Kiel-2-VQA: High-Performance Multimodal Vision-Language Model},
  year = {2026},
  publisher = {Hugging Face},
  journal = {Hugging Face Repository},
  howpublished = {\url{[https://huggingface.co/kiel2/Kiel-2-VQA](https://huggingface.co/kiel2/Kiel-2-VQA)}}
}

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
ecc07d0

0 моделей