/ Модель

Характеристики

Контекст
128 000 токенов
Параметры
3,1 млрд
Лицензия
CC BY-NC-SA 4.0
Архитектура
qwen2_5vl_ca · dense
Базовая модель
Qwen2.5-VL-3B-Instruct
Библиотека
transformers
Опубликована
10 дек 2025

CASA-Qwen2_5-VL-3B

Изображение и текст → текст3 профессии

Мультимодальная модель Kyutai на базе Qwen2.5-VL-3B-Instruct для диалога и ответов на вопросы об изображениях.

186скачиваний за 30 дней3лайкавеса обновлены6 сен 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

CASA-Qwen2_5-VL-3B — мультимодальная модель Kyutai для диалога и анализа изображений. Она основана на Qwen2.5-VL-3B-Instruct и адаптирует взаимодействие зрения и языка: вместо вставки визуальных токенов использует архитектуру с перекрёстным вниманием поверх self-attention. Модель содержит 3,1 млрд параметров, рассчитана на контекст до 128 000 токенов и работает с библиотекой Transformers; для загрузки требуется включить trust_remote_code.

Модель предназначена для ответов на вопросы об изображениях и других сценариев vision-language общения. В карточке указаны FineVision и LLaVA-OneVision-1.5-Instruct-Data как датасеты. Основной язык карточки — английский. Модель опубликована под лицензией CC-BY-NC-SA-4.0, которая требует атрибуции, распространения производных на тех же условиях и не допускает коммерческого использования.

Сценарии применения

  • ответы на вопросы по изображениям
  • описание содержимого фотографии
  • визуальный диалог по загруженному изображению

Ограничения

Для загрузки требуется trust_remote_code=True, то есть выполнение пользовательского кода архитектуры из репозитория. Лицензия CC-BY-NC-SA-4.0 запрещает коммерческое использование.

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

CASA-Qwen2_5-VL-3B

This repository contains the model weights for CASA-Qwen2_5-VL-3B, introduced in the paper CASA: Cross-Attention over Self-Attention for Efficient Vision-Language Fusion.

This model is a Qwen-2.5VL-3B-Instruct model adapted from token insertion to a cross-attention-based architecture.

Sample Usage

This model requires trust_remote_code=True to load the custom architecture. Below is a snippet to run inference using transformers.

import torch
from transformers.models.auto.modeling_auto import AutoModel
from transformers.models.auto.processing_auto import AutoProcessor

model_id = "kyutai/CASA-Qwen2_5-VL-3B"
model = AutoModel.from_pretrained(
    model_id,
    torch_dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
    trust_remote_code=True,
).cuda()

processor = AutoProcessor.from_pretrained(
    model_id,
    trust_remote_code=True,
)

conversation = [
    {
        "role": "user",
        "content": [
            {
                "type": "image",
                "image": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/transformers/tasks/ai2d-demo.png",
            },
            {
                "type": "text",
                "text": "Describe this image.",
            },
        ],
    },
]

inputs = processor.tokenize_messages(messages=conversation)
inputs = inputs.to(model.device)
input_len = inputs["input_ids"].shape[1]

output_ids = model.generate_from_image(
  **inputs,
  max_new_tokens=512,
  pre_image_tokens=processor.pre_image_tokens,
  post_image_tokens=processor.post_image_tokens,
  eos_token_id=model.generation_config.eos_token_id,
)[0, input_len:]

response = processor.tokenizer.decode(output_ids, skip_special_tokens=True)
print(response)

Citation

@article{kyutai2025casa,
  author = {Moritz B\"ohle and Am\'elie Royer and Juliette Marrie and Edouard Grave and Patrick P\'erez},
  year = {2025},
  title = {CASA: Cross-Attention over Self-Attention for Efficient Vision-Language Fusion},
  journal = {ArXiv},
  url = {https://arxiv.org/abs/2512.19535}
}

License

The code in the official repository is provided under the MIT license. The weights for this model are released under the CC-BY-NC-SA 4.0 license. Additionally, as this model includes weights from Qwen2.5-VL-3B, it is subject to the Qwen RESEARCH LICENSE AGREEMENT.

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
V2Qwen2_5VL
Ревизия весов
5f7de59

0 моделей